- 协方差自适应最小二乘算法用于随机组合半带宽
我们设计了一种方差自适应的 OLS-UCB 算法，通过在线估计协方差矩阵的系数，在实践中更容易管理，从而改进了代理方差算法的遗憾上界，并且在满足所有非负协方差系数的情况下，有效利用了半强求职者反馈，在 P≤d 和 P≫d 的指数区间内都表现 - 岭回归中的良性过拟合
本研究探讨了过参数化模型在插值噪声数据时的行为，分析了数据的协方差结构和高效秩的子空间是如何影响该现象的发生，并提供了正则化条件下的结果。
- IJCAI高斯过程协方差结构中的确认性贝叶斯在线变点检测
文章提出了一种用于检测局部平滑时间序列的协方差结构变化的统计假设检验方法，称为 Confirmatory BOCPD (CBOCPD)，该方法通过确认统计显著性的变化和非变化来改善 Bayesian Online Change Point - 变分提升：迭代优化后验近似
本文提出了一种黑盒变分推理方法 —— 变分 boosting, 通过迭代优化来逼近一个越来越丰富的逼近类，从而扩展其变分逼近类，应用于合成和真实的统计模型，表明通过比较精确和有效地后验推理，其结果优于现有的后验逼近算法。
- 高斯过程的最优变点检测
该研究探讨了一维高斯过程数据的均值变化检测问题，并提出了基于广义似然比检验的检测方法，该方法在固定域和增长域的两个设置中都几乎渐近地达到最优水平，主要特点是充分利用了高斯过程协方差结构所捕捉到的数据依赖性，即使协方差未知，我们也提出了插件 - 修正因子网络
研究提出了一种名为 rectified factor networks（RFNs）的非监督学习技术，能够高效地构建非常稀疏、非线性、高维度的输入表示，并且相比于其他稀疏编码方法，能够更精确地捕捉数据的协方差结构，并在图像识别等领域，作为一种 - 二人零和博弈的多智能体逆强化学习
本文提出了一种贝叶斯框架，用于解决多智能体逆强化学习问题，在多智能体对战场景下建立了一种理论基础，并针对双智能体零和 MIRL 问题提出了一种贝叶斯解决方法，结果表明，奖励先验中协方差结构比均值更重要。
- 通过凸规划从二次抽样中精确稳定地估计协方差
该研究探讨了一种二次（或秩一）测量模型，该模型在抽取各种低维协方差结构方面具有最优性，在使用各个结构的凸松弛范例进行恢复时，可能具有流数据处理、高频无线通信、相空间层析和光学相检索以及非相干子空间检测等各种应用。
- 线性混合模型中的模型选择
本文回顾了如何利用信息标准、收缩方法、Fence 法和贝叶斯技术等四种主要方法，解决选择适当的线性混合效应模型的问题。通过考察一系列文献的方法、性质和相互关系，帮助读者更好地了解可用的方法。
- 多类别下的逆协方差估计联合图形拉索
本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。
- 具有应用于协方差结构测试和压缩感知矩阵构建的随机矩阵相干性的极限定律
本篇论文研究了高维情况下一个 n x p 随机矩阵的相干性极限定理，利用这一定理检验高维高斯分布的协方差矩阵带状程度，同时应用这些结果来构建压缩感知矩阵。
- 截断正态变量的模拟
本文提供了用于单边和双边截断正态分布的模拟算法，并利用这些算法模拟参数限制条件下具有任何协方差结构的多元正态变量。
- 具有潜在层次结构的贝叶斯多任务学习
本文介绍了一种基于潜在层次关系的多假设学习模型，以实现任务之间的信息共享，并应用于领域自适应和多任务学习，在多个实际数据集上表现出色。