- 深度非参数时间序列预测器
这篇论文提出了非参数基线模型用于时间序列预测，不同于传统的预测模型，该方法不需要对预测分布进行参数化假设，而是通过从经验分布中根据可调节的策略进行采样来生成预测。此方法总是能够产生合理的预测（即在观测数据范围内的预测），而不像传统模型在某些 - 无模型的测试时间适应用于外域检测
利用在线测试样本进行模型自适应，从而降低假阳性率，进而提高异常检测性能。
- 精确的非线性状态估计
该研究提出了一种新的非线性估计理论，基于生成式人工智能，用于改进地球系统模型中的数据同化方法，通过引入 Conjugate Transform Filter（CTF）和其集合近似理论（ECTF），以适应任意非高斯分布并保留先验状态的统计关系 - 通过 Sobolev 训练进行差分 2D Copula 近似变换：2-Cats 网络
神经网络可以非参数地逼近任意二维 Copulas 函数，该方法在估计二维 Copula 输出方面表现优于现有方法，并且尊重 Copula 函数的数学属性。
- 分解伪变化的因果框架
本文发展了形式工具，用于在马尔科夫和半马尔科夫模型中分解虚假变异。我们证明了首个允许非参数分解虚假效应的结果，并提供了识别这种分解的充分条件。所述方法有多个应用，从可解释和公平的 AI 到流行病学和医学问题，并在真实世界数据集上证明了其用途 - 非参数最近邻辅助微调神经机器翻译
研究探究了在微调阶段引入 kNN 预测的统计数据来提高基线翻译模型，发现通过引入 gating 机制，kNN 的真实概率和强化学习三种方法，相比于传统的微调，可以在四个标准机器翻译数据集上实现一致的改进，尤其于翻译语法关系或功能词时表现出更 - 关系依赖关系的非参数推断
本文研究了如何在关系系统中估计数据之间的独立性，提出了一种基于核均值嵌入的方法，用于定义条件和边缘独立性测试，并在结构假设下实现了可伸缩的核测试方法。实证研究表明，该方法在合成网络和半合成网络等数据集上比基于核的独立性测试的现有方法更为有效 - ICML深度最近邻实现的超范围检测
本文研究使用非参数最近邻距离方法进行开放世界中一类重要任务：Out-of-distribution 检测，不同于先前的研究，该方法不施加任何分布假设，因此具有更强的灵活性和普适性，在多个基准测试中证明了其有效性，并且相对强基线的 Mahal - 可操作电路实现因果推断
研究发现，利用算术电路可以在非参数因果图上进行推理，从而实现在原先被认为无法处理的模型上进行有参数因果推断。
- 混合动态对比度和概率蒸馏用于无监督人员再识别
本文提出了一种混合动态聚类对比和概率蒸馏算法，在不需要标注数据的情况下，将无监督的人物重识别问题转化为统一的局部到全局动态对比学习和自监督概率蒸馏框架。实验结果表明，这种方法在无监督领域适应性实验设置下，取得了优异的性能。
- ICML结构性随机梯度 MCMC
用一种新的非参数泛化逼近方法代替 VI，包含了一种 Langevin-type 算法，其中一部分潜变量是从 Markov 链的早期样本中平均的，以控制地打破统计相关性，从而使链更快混合。通过在 ResNet-20 上对 CIFAR-10，S - 符合性预测：理论和新挑战的统一综述
本文综述了关于符合预测的基本思想和新发展 —— 一种革新的无分布、非参数预测方法，基于最少的假设，能够以一种非常简单的方式得出在统计意义上的预测集，本文详细讨论了符合预测的理论基础，然后列举了原始思想的更高级的发展和适应方法。
- CVPR联合流形扩散，在解耦观测上组合预测
本文提出一种新的预测器组合算法，通过基于可能相关的参考预测器改进已有的任务预测器；同时，为了克服现有方法的局限性，设计了一种新的非参数任务依赖估计过程，并将其实例化为健壮的流形扩散过程，以联合细化预测器对齐和对应的任务依赖关系，将此算法应用 - 学习平滑乘积分布混合模型：可识别性和算法
本研究提出了一种基于正交低秩张量分解的非参数混合模型理论，并研究了利用该理论恢复混合组分分布的问题。
- NIPS模型驱动的条件独立性检验
针对连续随机变量，我们将条件独立性检验转化为分类问题并实现了非参数化的方案，通过最近邻引导采样策略生成训练样本，并提出一种大型数据集上性能更好的算法，从而实现有效测试。
- 多臂赌博机问题：一种有效的非参数解决方案
该研究提出了高效的非参数性多臂赌博机过程，旨在解决机器学习算法和数据分析中的应用问题，并分析了参数和非参数设置下的 UCB 过程的修改版本及非效率性。
- 利用随机森林估计和推断异质性处理效应
本文介绍了一种非参数因果森林方法，用于估计异质性处理效应，并讨论了一种实用方法以构建渐近置信区间来评估真实处理效应，结果表明在存在无关协变量的情况下，因果森林方法比最近邻匹配等经典方法更为有效。
- 通过局部高斯近似估计互信息
提出了一种新的半参数估计互信息的方法，该方法使用高斯分布来局部逼近密度函数，与其他基准方法相比具有更好的性能，并能准确地测量许多数量级上的关系强度。
- CVPRMatching-CNN 遇上 KNN: 半参数人体解析
本文提出了一种准参数化的解决方案，使用了基于经验标注的监督与新图像的灵活性，并在基于 K 最近邻的非参数框架下提出了匹配卷积神经网络，以预测测试图像中最佳匹配区域的匹配置信度和位移，从而在人体分割任务中取得了显著的性能提升。
- NIPS基于随机块模型的图函数逼近：理论及一致估计
该论文提出了一种计算高效的方法，基于随机分块模型（SBA）对图形进行建模，对观察到的网络数据进行了一致的估计图谱，估计误差随着图形大小的增加而消失.