- 粒子去噪扩散采样器
利用新颖的评分匹配损失，我们提出了一种基于粒子迭代方案的粒子去噪扩散取样器（PDDS），它能够在温和假设下提供渐近一致的估计，我们在多模态和高维取样任务上演示了 PDDS。
- 强化学习深度非同策略中的动作噪音：对探索和性能的影响
针对连续控制 R-DL 领域中的离线深度强化学习所采用的简单探索方式（如加性动作噪声），本文对动作噪音的类型、噪音规模、影响缩放因子的减少计划等进行了分析，并从 Gaussian 和 Ornstein-Uhlenbeck 这两个显著的类型中 - 关于泛化误差的个体条件个体互信息界限
我们提出了基于 Bu 等人的误差分解技术和 Steinke 和 Zakynthinou 的条件互信息构造的新的信息论泛化误差界限，通过减少条件互信息中的条件项，我们克服了现有界限的问题，并建立了一个条件解耦引理。
- AAAI高效可扩展地估计随机线性组合的非线性回归
该论文研究了解决了众多机器学习和统计模型的困境，预设了一种新模型，即随机线性组合的非线性回归模型，并提出了能够高效可扩展地进行模型估算的研究成果，给出了多个基于不同假定前提的算法构建方法，并展示了相关实验结果。
- 面向类别的全卷积高斯和泊松去噪
本文提出了一种基于全卷积神经网络的图像去噪方法，既简单又强大，可以应对不同噪声水平和分布（高斯和泊松），并且利用语义类信息实现了类感知。
- NIPS算法线性受限高斯过程
本文提出了一种基于 Gr"obner bases 算法构建满足线性微分方程的多输出高斯过程先验分布的方法，并将其应用于物理、地球数学和控制等多个领域，将随机学习和计算机代数学相结合，实现了噪声观测和精密计算的结合。
- 高斯健壮学习：高效获得最优误差
本文针对高维高斯分布参数学习问题进行了研究，提出了鲁棒估计算法，在拥有少量恶意样本的情况下实现了 $O (ε)$ 精度的估计，同时也证明了算法的多项式时间复杂度和多项式数量样本要求。
- 具有相同误差方差的高斯结构方程模型的可识别性
本文探讨了结构方程模型及其在因果推断中的应用。在高斯结构方程模型中，如果所有噪声变量的方差相同，则该模型可以从联合高斯分布中恢复出其对应的有向无环图，并提出了一种基于理论的算法来实现。
- 具有公共和机密信息的高斯 MIMO 广播信道的容量区域
研究了具有公共和机密信息的双用户高斯多输入多输出广播信道，获得了该信道的完整容量区域，并探讨了高斯多输入多输出广播信道容量区域与其非机密对应的广播信道容量区域之间的联系。
- 通过阈值截断实现协方差正则化
通过硬截断的方式对 $p$ 个变量从 $n$ 个观测值中估计的协方差矩阵进行正则化，结果表明如果真实的协方差矩阵在适当意义下是稀疏的，变量是高斯的或亚高斯的，并且 $(log p)\/n\to0$，则截断估计在算子范数下是一致的，并获得了明 - 等方性主成分分析和仿射不变聚类
本文提出了一种基于 isotropic PCA 的 affine-invariant 聚类算法，该算法在混合模型输入的情况下有很强的保证力，特别是在对两个任意高斯混合的分类中结果最佳，对于超过两个的混合，只要存在一个低维度的子空间满足重叠很