- 公平 GLASSO: 无偏统计行为估计公平图模型
我们提出了一种公平估计的高斯图模型，该模型可以通过两个偏差度量来促进不同敏感属性的节点组之间的统计相似性的平衡。利用这些度量，我们提出了一种称为 Fair GLASSO 的正则化图拉索方法，以获得在组之间具有无偏统计依赖关系的稀疏高斯精度矩 - 学习带有拉普拉斯约束的笛卡尔积图
学习 Cartesian 乘积图的问题，统计一致性的 MLE，联合图学习和插补方法
- 高斯图模型的邻居筛选下的误发现率控制
高斯图模型在多个领域中应用广泛，本文介绍了一种节点变量选择方法来进行图学习，通过自估计的水平控制选择边集的错误发现率，实验结果表明相较于其他方法在不同图拓扑下有明显性能提升。
- 从多属性数据中学习高维微分图
通过多属性数据分析，提出了一种基于组套索罚函数和交替方向乘子法的差分图学习方法，给出了在高维环境下对支持恢复和估计的一致性理论分析，并展示了基于合成数据和真实数据的数值结果。
- 任意数据损坏下的鲁棒在线协方差和稀疏精度估计
使用修正的修剪内积算法，即使在存在任意和对抗性数据攻击的情况下，我们也可以在在线场景中稳健地估计协方差。我们提出了一种在线算法来估计稀疏逆协方差（即精度）矩阵，尽管存在数据损坏。我们提供了算法对真实精度矩阵的估计的误差界和收敛性质。
- 高斯图模型的条件矩阵流
该研究提出了一种变分推断方法，通过定义于对称正定矩阵空间上的矩阵变分流来逼近高斯图模型的后验分布，对任意正则化参数 λ 和任意 l_p (伪 -) 范数，包括非凸的 l1 伪范数进行联合训练，从而获得一个模型，并可以恢复频率主义的解路径。
- R 中高维无向图估计的巨型软件包
huge 是一个 R 软件包，提供了一些易于使用的函数，可以从数据中估计高维无向图，并提供了比 glasso 更多的特性。
- 分布鲁棒逆协方差估计：Wasserstein 收缩估计器
提出分布鲁棒的最大似然估计模型，结合 Wasserstein 模糊集，从 n 个独立样本中推断出 $p$ 维高斯随机向量的逆协方差矩阵；当估计问题没有结构信息时，该估计问题有自然地解释为非线性缩小估计器。同时，本研究还为高斯图模型开发了一个 - 跨主体分析：从密集内部图推断稀疏交互
提出一种新的基于高斯图模型的 Inter-Subject Analysis 模型用于研究大脑区域间的功能连接，应用于神经科学领域，可估计和推断不同对象之间的精度矩阵，并在模拟和大脑成像数据上验证了该模型的有效性。
- AAAI带截断高斯图模型的无监督学习
本文介绍了一种新型 GGMs 变体，其通过在 GGM 上施加二分结构，并使用截断正态分布来管理隐藏变量以放宽高斯限制，实现了非常有效的推断，进而建立了与修正线性单元（ReLU）神经网络的连接，用于真实值，二进制和计数数据的输出构建，还将该模 - 高斯图模型的差异性检验及其应用：大脑连接研究
该研究通过使用稀疏估计的参数来计算信赖区间，建立了基于大脑功能的参数分布，提出一种去偏的多任务融合 Lasso 方法。该方法可用于比较变化的功能脑网络边缘，并在自闭症研究方面进行了验证。
- ICML学习潜变量高斯图模型
本文介绍了一种条件稀疏的潜变量高斯图模型（LVGGM），利用正则化的极大似然方法来学习具有低秩加稀疏结构的逆协方差矩阵，并在高维情况下得到了新的参数估计误差界限。
- 学习具有观测或潜在 FVS 的高斯图模型
本文研究带有小反馈顶点集的高斯图模型，提出了有效的结构学习算法，特别是针对隐藏变量的情况，能够通过交替低秩校正等方式成功地学习模型参数，并用合成数据和真实数据进行了验证。
- 基于节点学习的多个高斯图模型
该论文探究了高维高斯图形模型估计问题，提出了两种假设：网络差异源于被扰动的个别节点或在所有网络中共享的公共中心节点，然后使用凸优化问题和多重乘数算法解决，并以合成数据、网页数据和癌症基因表达数据为例进行说明。
- 局部高斯图模型估计
本文研究了从高维实证观测中对高斯图模型进行部分估计的方法，提出了使用 $\ell_1$-regularized 最大似然估计的凸优化模型，并采用块坐标下降算法进行求解。实验证明该方法在统计估计性能和实际应用中表现优异。
- 高斯图模型中最大似然估计的几何学
从几何的角度研究高斯图模型中的最大似然估计，提出代数消元方法来求得 MLE 存在的下界，并将其应用于二分图、网格和彩色图。研究了 ML 度量，给出第一个例子，即使观测数等于树宽度时 MLE 也存在的图.
- 高斯图模型的拓展贝叶斯信息准则
本文研究了用于高斯图模型种反向协方差矩阵的稀疏性，说明了贝叶斯信息准则在变量数和样本大小呈线性增长情况下的一致性，并验证了其在与高斯套索结合使用时的性能。
- 推断多个图结构
本文提出了两种估计多个相关图的方法，并将亲密度假设转化为经验先验或组惩罚。我们提供了定量结果，证明了所提出方法的优势。该论文介绍的方法已嵌入 R 软件包'simone' 版本 1.0-0 及更高版本中。
- 高维线性回归中套索选择的稀疏性和偏差
本文针对相关设计变量的稀疏 Riesz 条件，研究 LASSO 在模型选择中的速率一致性，并且发现在某些随机相关设计中变量的数量对样本数据量的对数可达到同一阶数。