- 多维贝叶斯回归最末层：不确定性量化与解缠
我们提出了一种新的贝叶斯末层模型，用于处理异方差噪声下的多变量回归，并提出了一种参数学习的优化算法。贝叶斯末层模型将预测分布的贝叶斯建模与神经网络的参数化相结合，能够通过单次前向传递进行不确定性量化。该框架能够区分事件误差和认知误差，并可用 - 使用深度神经网络的多变量回归模型的最小距离估计器
我们提出了一种基于深度神经网络的最小距离估计器 (DNN-LD)，用于解决多元回归问题，并考虑高维数据中的变量选择问题，通过在 DNN 结构的权重参数上应用 (自适应) 分组 Lasso 惩罚，同时实现变量选择和模型估计。
- KF-PLS: 优化带有核流 (K-PLS) 的核偏最小二乘法
通过核函数优化的方法，本文介绍了基于 Kernel Flows (KF) 技术的核偏最小二乘回归 (K-PLS) 的优化方法，该方法在多元回归中表现出良好的结果，并进行了交叉验证研究和超参数分析。
- 向规模化迈进：深度学习中多元回归的化学损失权重调整
通过简单而有效的损失权重调整方法，提高了人工神经网络在学习多组分质量分数时的准确性，并且带来了更平衡的网络训练梯度。
- FineMorphs：用于回归的仿射 - 差分同构序列
本文提出了一个名为 FineMorphs 的多元回归模型，利用 shape analysis 中的思想，通过光滑矢量场生成的 diffeomorphisms 对模型状态进行最优 “重塑”，其仿射变换和矢量场通过最优控制进行优化，可以自然地通 - 基于模式的深度学习多变量回归 (PBMR-DP)
本文提出了一种基于模式识别的深度学习方法，旨在利用计算机视觉架构和培训过程来预测农业作物收成的连续产量信息，并与 MLCAS2021 的一些顶级模型进行比较。通过简单的训练过程，我们实现了 4.394 的 MAE，5.945 的 RMSE - 稀疏多变量回归与条件图模型的联合估计
本文提出了一种高维多元回归模型，通过惩罚条件对每个响应变量对其他变量的依赖结构进行建模，以构造稀疏的多元回归系数矩阵估计，同时估计稀疏的逆协方差矩阵。该方法能够同时进行多元回归和协方差矩阵的估计，并在一个假设条件下得到渐近选择一致性与正态性 - 基于标定的多元回归及其在神经语义基础发现中的应用
提出一种名为 CMR 的校准的多元回归方法，可用于拟合高维度的多元回归模型，并通过对每个回归任务进行正则化校准以获得改进的有限样本性能和调优不敏感性，已在大脑活动预测问题上展示出很好的竞争力，并在数值模拟中始终优于其他高维度的多元回归方法。
- 多元回归中降秩估计量的自由度
研究了降秩估计器在 Stein 的无偏风险估计中的自由度和模型选择问题，并提出了一种能够提高预测风险估计和模型选择精度的闭合形式估计器。
- ICML多输出预测中的地标选择方法
研究了当响应变量 y 为高维时，基于选择维度 y_L 的子集，逐步通过建模 x 到 y_L 和 y_L 到 y 的两个部分来构建多输出条件模型 x 到 y，并在多标签分类和多变量回归实验中表现出优越性。
- 自适应核范数惩罚的降阶回归
本文引入了自适应核范数正则化方法，通过该方法提出了一种基于自适应核范数的降秩估计方法，同时该降秩估计方法在计算上高效，并且在模拟研究和基因学应用中，表现出优异的性能。
- 自适应划分的多元凸回归
提出了 Convex Adaptive Partitioning (CAP) 这一新的非参数方法，它可以在响应函数上受到凸性或凹性限制的情况下进行多元回归。CAP 是计算有效的，适用于定价具有大量基础资产的美式篮式期权的价值函数近似，并表明 - 基于正则化的多元回归用于鉴定乳腺癌整合基因组学研究中的主预测因子
提出了一种新的方法 remMap-- 用于在高维低样本大小的情况下拟合多元响应回归模型的正则化多元回归方法，它的目的是基于多种类型的高维基因组数据研究不同生物分子之间的调节关系。该方法不仅可以有效解决高维问题，而且可以考虑网络建模和基因变异 - 多变量回归方法在定量性状网络关联分析中的应用
该研究提出了一种名为图引导融合套索（GFlasso）的新的统计框架，通过将量化特征的相关性结构表示为网络，并利用该特征网络在基因型和特征上编码结构正则化，以便高灵敏度和特异性地检测共同影响高度相关特征子组的遗传标记。
- 高维多元回归中支持联合恢复
本文研究多元回归中的分组 Lasso，使用基于 L1/L2 范数的分块正则化进行支持融合恢复或恢复 B * 非零行的集合，证明了分组 Lasso 在高维缩放下对于问题序列 (n、p、s) 成功的阈值和失败的阈值，并使用模拟演示了理论结果的锐