- 控制仿射系统的随机特征近似
现代数据驱动控制应用需要灵活的非线性模型，以便于合理的控制器合成和实时反馈。我们提出了两个新颖的非线性特征表示类，可以捕捉控制仿射结构，同时允许在状态依赖上具有任意复杂性。我们的方法利用了随机特征（RF）逼近，以较低的计算成本继承了核方法的 - 通过分数匹配的因果推断非线性模型的快速方法
利用模拟数据在因果发现领域普遍存在，本文对线性数据和非线性模型中方差的演变模式进行了研究，并引入了 ScoreSort 算法。通过理论和实证分析发现 ScoreSort 在统计效率上相较于之前的方法具有优势，认为缺乏数据多样性限制了非线性因 - 乐观估计揭示非线性模型的潜力
我们提出了一种乐观估计方法，用于评估非线性模型的最佳拟合性能。我们估计了矩阵分解模型、深度模型和深度神经网络 (DNN) 在过参数化情况下所需的最小样本大小，揭示了 DNN 模型的两个特殊属性，并提出了 DNN 的架构设计原则，从而理论上揭 - 使用动态线性投影探索非线性模型的局部解释
本文介绍了交互式线性插值方法及其在分类（企鹅物种，巧克力类型）和数量（足球薪资，房价）输出方面的应用，并试图通过提供局部解释来解释非线性模型的预测性能和线性特征的重要性。
- 干预在何地、何种方式？ 大规模因果模型的实验设计
本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。
- ICML分布偏移下近似最优线性回归
探索在源域具有充足标签数据但目标域仅有稀缺标签数据的情况下，开发了具有最小值线性风险的估计量的转移学习算法，包括协变量转移和模型转移，同时也考虑了数据来自线性或一般非线性模型的情况，证明了线性最小值估计器与各种源／目标分布的非线性估计器相比 - 深度学习理论原理
本文研究了深度神经网络并使用表示群流的概念及信息论技巧，分析了其非线性模型的学习机制和有效模型复杂性及超参数等参数的归纳偏置。
- ICML数据增强是否导致正边界？
本文通过量化数据增广在经验风险最小化中所起的作用，分析了其对模型的鲁棒性的提升能力，并在对某些模型进行实验后，对数据增广的有效性作出了一定程度的解释。
- 个性化模型与协作图的完全去中心化联合学习
一种考虑了分散式机器学习和数据保护的联邦学习方式，通过构建本地图和局部连接来训练个人的、个性化的非线性模型，实现了低通讯成本和对数据的隐私保护。
- 使用障碍证明实现四旋翼动力学的安全学习
该论文提出基于高斯过程的数据驱动方法，学习部分未知环境下四旋翼的模型，采用屏障证明方法确保学习过程的安全，并设计了学习控制器以及递归高斯过程预测方法，模拟结果表明该方法的有效性。
- 加性函数回归的最优预测
本文提出了一种基于 Reproducing Kernel Hilbert Spaces 的估计方法，建立了在预测误差方面我们估计的最优收敛率的非线性函数回归模型，并讨论了在这些复杂模型中出现的计算挑战。同时提供了仿真及应用：在 2008 年 - 非线性模型的不变因果预测
本文介绍了一种新的学习因果模型的方法，称为不变因果预测，该方法绕过了因果关系的多个环境，并针对非线性模型的情况提出了可行的解决方案，在基于世界人口预测的生育率建模中，使用非线性 ICP 模型来预测假设性干预的效果并确认了儿童死亡率的中心因果 - 分布式柔性非线性张量分解
本文提出了一种分布式、灵活的非线性张量分解模型，通过可避免昂贵的计算以及提供高质量推理的上限，它能够克服传统张量分解模型中的限制，并展现出在 CTR 预测方面的巨大潜力。
- 高光谱影像的非线性解混模型与算法
本文综述了非线性解混模型在高光谱遥感图像中的应用和发展。
- 直接和间接效应
本文介绍了一种不需要阻止其他路径的特定路径效应定义方法，为评估更自然的直接和间接效应提供了可能，扩展了路径分析技术到非线性和非参数模型。
- 贪心稀疏约束优化
该研究提出了一种贪心算法，Gradient Support Pursuit (GraSP)，以近似任意形式损失函数的稀疏极小值，适用于稀疏逻辑回归等问题，算法性能通过在合成数据上的数值模拟进行评估。