- 手术中基于视觉动力学图学习的适用于任何程序的机器人手术器械尖端分割
通过图学习、多模态信息和交叉验证，我们提出了一种新的视觉 - 运动学图学习框架，精确地对给定的各种手术过程中的手术器械尖端进行分割。
- RxnScribe: 化学反应图解析的序列生成模型
本文介绍了 RxnScribe，一种用于解析不同风格反应图的机器学习模型，使用序列生成方法，将传统操作流程压缩为端到端模型，通过交叉验证，在 1,378 个图表数据集上获得了 80.0% 的软匹配 F1 分数，并且表现显著优于以前的模型。
- 通过空间 k 折交叉验证估计空间模型的预测性能
本文研究机器学习中的空间自相关问题，提出了基于空间 k 折交叉验证的方法，并通过三个真实开放数据集的实验验证了该方法的有效性和应用性。
- 一种高阶瑞士军刀微小尺度抽屉
本文研究了一种高阶无穷小 jackknife 方法来评估机器学习和统计估计器的误差和变异性，并提供了计算所有阶数的递归过程及有限样本精度界限，此方法可在高维度下进行高效计算。
- 随机动态方程的稀疏学习
本文介绍了将稀疏识别非线性动力学 (SINDy) 框架扩展到随机动力学系统的方法，并证明了在无限数据限制下该方法的渐近正确性，在两个测试系统中展示了该方法的实现，并强调了交叉验证对确定正确的稀疏性水平是一个必不可少的工具。
- NIPS关于参数学习中的最优泛化
本文提出了一种快速且准确的基于参数学习的交叉验证策略 ALOOCV，并利用其开发了一种基于经验风险最小化框架的正则化优化算法。
- 估计最大期望值：（嵌套）交叉验证和最大样本平均值的分析
研究通用的随机变量最大期望值的两种常见估计量的准确性：最大样本平均值的一般化和交叉验证。通过研究和限定上述估计量的偏差和方差，并证明了其一致性。交叉验证的方差可以显著减小，但风险是引入大偏差；交叉验证不同变体的偏差和方差因问题而异，选择错误 - 高斯过程在模型误差条件下的超参数交叉验证和最大似然估计
研究估计协方差超参数的最大似然（ML）和交叉验证（CV）方法， 结果发现 CV 方法在协方差函数被错误指定时表现更好，但当模型被很好指定时，ML 更优。进一步将单参数情况扩展到了估计具有协方差函数的超参数的情况。