- 通过差分隐私的视角对广义似然比检验对手进行建模
本文在假设检验 / 成员推断的 DP 解释下，对高斯机制进行了研究，通过放宽通常的 Neyman-Pearson-optimal 假设为一般化似然比检验敌手，获得了改进的隐私保证。
- 加密货币交易的深度强化学习：应对过度拟合回测的实用方法
该研究提出了一种用于处理加密货币交易中 backtest 过度拟合的实用方法，将检测 backtest 过度拟合看作一种假设检验，使用深度强化学习智能体来训练，估计过度拟合的概率并且拒绝过度拟合的智能体，最后，通过在包括市场崩溃的测试期间（ - 用于统计假设测试程序的声音且相对完全的信念 Hoare 逻辑
提出一种新的方法来正式描述统计推断的要求并检查程序是否正确使用了统计方法。具体来说，定义了信仰 Hoare 逻辑（BHL）以形式化并推理通过假设检验获取的统计信念。证明了 BHL 对于应用在假设检验方面的问题很有用，对于合理的统计推断解释中 - 使用类型自然推理系统检查概率计算的可信度
介绍了一种概率类型的自然推导演算法，能够推导出概率计算过程的可信性，并通过对频率和预期概率之间的距离进行假设检验来形式化信任。该演算法在验证自动分类算法方面有潜在应用。
- 具有 Wasserstein 不确定性集的强健性假设检验
提出一种新的非参数假设检验框架，基于分布鲁棒优化，考虑接近经验分布的分布，旨在最小化最坏情况下的性能，具有较好的鲁棒性，应用于健康护理、在线变点检测和异常检测等领域，实验结果表明方法性能优越。
- 分布偏移下的统计检验
本文介绍了在分布偏移下的统计检验，提出了一种通过重新采样构建辅助数据集的一般化检验方法，可用于处理强化学习和因果推断等多个领域的问题。
- MM基于假设检验的选择性概率分类器
本论文提出一种鉴别器违反封闭世界假设的有效方法，该方法基于概率网络的假设检验拒绝了不确定的输出并实现了低误报率的要求。
- 通过重采样敏感属性实现均衡的几率
提出了一种灵活的预测模型学习框架，可近似满足平等赔率公平性概念，采用差异性函数作为参数惩罚项并引入形式假设检验方法来检测预测是否违反平等赔率公平性，同时提供了平等不确定性量化技术来以精确术语传达数据分析结果。
- 模型选择和假设检验的边缘似然计算：一篇广泛的综述
此论文介绍了关于边际似然计算的最新进展，以及与模型选择和假设检验相关的内容，包括概率模型的规范化常数计算，不合适先验的问题及可能的解决方案，理论比较和数字实验等。
- 学习深度核函数进行非参数双样本检验
本文提出了一类基于核函数的两样本检验方法，其使用由深度神经网络参数化的核函数以确定两个样本集是否来自同一分布，适用于高维、复杂的数据，并在基准和实际数据上证明了其卓越的性能。
- 最大矩限制下的核条件矩检验
本文提出了一种名为核条件矩（KCM）检验的新型规范检验方法，该方法利用再生核希尔伯特空间（RKHS）中的条件矩嵌入（CMME）来表示条件矩限制，并将其转换为 RKHS 单位球内的最大矩限制（MMR），具有易于计算和封闭式渐近分布的解析表达式 - ICML连续时间中的事件异常检测
本文提出了基于贝叶斯决策理论和假设检验的方法来探测连续时间事件序列中的异常值，包括意外事件缺失和出现，其中该方法可以考虑上下文信息。实验结果表明该方法的有效性。
- MM基于机器学习的信道估计性能分析
本文研究了基于机器学习的信道估计的均方误差 (MSE) 性能，采用假设检验分析其 MSE 上界，并建立了一个统计模型，推导出训练数据大小和性能之间的清晰分析关系。最后，讨论了仅有有限训练数据的情况下的设计考虑。
- 最小描述长度的再探讨
这篇论文是一篇对最小描述长度（MDL）原理的介绍和概述，讨论了在统计学、机器学习和模式识别等领域中广泛应用的归纳推理理论。MDL 可以被视为惩罚最大似然和贝叶斯方法的一种强大扩展，其中惩罚函数和先验分布被替换成更一般的幸运函数。
- 关于假设检验的计算困难性注记：使用低阶似然比进行预测
本文介绍了一种新的方法，称为低次方法，用于预测和理解高维推断问题中的统计与计算权衡，并给出了一些新的结果、简化的证明和改进的猜想。该方法假定一个特定数量 —— 低次似然比的第二时刻 —— 可以揭示解决给定假设检验问题所需的计算时间的信息，进 - 使用生成对抗网络进行条件独立性检验
提出了一种以生成对抗网络为基础的新的假设检验统计量方法，用于检测条件相关性，该方法在高维特征空间下，直接逼近编码 null 假设的条件分布，并最大程度地提高其功率，不需对分布或特征依赖形式作任何假设，在高维数据的生成及遗传数据疾病标记研究方 - 高斯差分隐私
本文提出 $f$- 差分隐私，一种新的隐私松弛定义，避免了使用发散松弛的一些困难，并支持隐私定义的组合和代数推理。同时，作者通过介绍高斯差分隐私，一个基于测试两个移动高斯函数的 $f$- 差分隐私的单参数家族，并通过数学证明和计算机实验了演 - 改进差分隐私方差分析
本文基于差分隐私的限制，提出了一个新的测试统计量 $F_1$，并展示了如何严格计算 $F_1$ 的参考分布，同时给出了一个计算准确 $p$- 值的算法。与先前的工作进行比较，在相同的效应大小下，新提出的测试仅需要 7% 的数据即可获得数量级 - 简单假设的最佳私有测试结构
研究在差分隐私条件下，如何通过相应的随机化测试方法区分分布 P 和分布 Q，以及有哪些测试方法对应最佳的样本复杂度，进而将这一结果应用于私有变点检测中，同时还讨论了算法稳定性对于检验假设的适用性及普适性。
- AAAI通过识别重要特征并以正确分辨率了解学习模型
本文提出了一种模型无关的方式来测试特征组和交互作用，并使用假设检验来评估特征对模型损失的影响，并使用层次化方法控制假阳性错误率，并应用于两个生物医学应用中的随机森林和 LSTM 神经网络模型分析。