- 建模系统风险：一种时变非参数因果推理框架
我们提出了一个非参数的、时变的有向信息图（TV-DIG）框架来估计时间序列网络中不断演变的因果结构，从而解决传统计量经济模型在捕捉高维度、非线性和时变的系列之间相互关联方面的局限性。通过仿真实验和经验分析，我们评估了所提出模型的有效性，并报 - 贝叶斯风险一致性的非参数分类规则对脉冲序列数据的应用
本文研究了基于非参数强度函数的脉冲列数据的两类统计分类问题，并导出了最优贝叶斯规则和插值非参数核分类器，证明了核分类器收敛于贝叶斯规则的性质，并通过有限样本模拟研究来支持得出的结果。
- 关于充分图模型
将非线性合适降维技术应用于条件独立性评估，引入了一种足够的图模型，该模型在本质上是非参数的，避免了高维核函数引起的维度灾难；通过模拟比较和对 DREAM 4 挑战数据集的分析，证明了该方法在高维设置下，且当高斯或 copula 高斯假设不成 - DF2M：高维功能时间序列的可解释性深度贝叶斯非参数模型
本文介绍了一种用于分析高维功能时间序列的贝叶斯非参数模型 Deep Functional Factor Model (DF2M)，使用印度 Buffet 过程和多任务高斯过程以及深核函数来捕捉非马尔可夫和非线性时间动力学，并结合深度神经网络 - DIVA: 基于狄利克雷过程的变分自编码器增量深度聚类算法
提出了一种基于无穷高斯混合先验的非参数深度聚类框架 DIVA，使用了记忆化的在线变分推理方法使聚类更加动态自适应，不需要先验知识，特别在处理具有增量特征的复杂动态变化数据中表现出色。
- CVPR重新思考语义分割：原型视图
本研究提出了一种基于非可学习原型的非参数替代方法来处理任意数量的语义分割类，并通过模型优化嵌入式像素与锚定原型之间的排布来直接塑造像素嵌入空间，证实了该方法在多个数据集上的表现。
- 用于函数数据的核心双样本检验
基于函数空间定义内核的最大均值差异（MMD）的非参数二样本检验程序，用于测试两个函数样本是否具有相同的潜在分布，建立在数据集维数增加情况下 MMD-based 测试效率的基础上。
- 具有连续处理的双无偏机器学习非参数推断
本文提出了一种基于双无偏机器学习 (DML) 的非参数推断方法，用于连续治疗变量的因果效应估计，同时解决了无遗漏条件和非参数 / 高维麻烦参数的问题，并通过利用基于核的双重稳健矩函数和交叉拟合提供了高级条件，以实现估计的无偏性。
- ICML贝叶斯模型选择的变点检测和聚类
本文提出了一种基于非参数化惩罚最小二乘模型选择的算法来近似解决估计分段常量信号以检测其变化点和群集水平的新问题，并对其准确性进行了统计分析和实验验证。
- 学习稀疏非参数 DAG
该研究开发了一个框架，可用于从数据中学习稀疏的非参数有向无环图（DAG）。该方法基于最近对 DAG 进行的代数描述，该描述为分数为基础的 DAG 模型的学习提供了一个完全连续的程序，该程序通过线性结构方程模型（SEM）进行参数化。该框架适用 - 平滑上下文强化学习：连接参数化和不可微性遗憾模式
该研究讨论了非参数上下文赌博问题，研究了函数的 Hölder 类和光滑度参数 β 之间的插值关系，提出了一种新算法，能够调整到各种光滑度设置，并通过确立匹配的上下限证明其遗憾是速率最优的，从而弥合了现有文献关于参数和非可区分性情境赌徒问题， - 核工具变量回归
该研究提出了一种非参数化的核工具变量回归方法，可以应用于探索观察数据中因果关系，并在实验中得到非常好的表现。
- 基于随机目标函数的贝叶斯模型非参数学习
提出了一种基于贝叶斯非参数方法的、不需要假定模型真实的学习方法，该方法利用统计模型但不要求模型真实，并且具有比参数模型更好的性质，并可通过蒙特卡罗采样方案在现代计算机架构上实现大规模计算。
- 一种非参数化延迟反馈模型用于转化率预测
本研究提出了一种非参数化滞后反馈模型，用于预测展示广告中的转化率，可以反映各种时间延迟的分布形状，并在实验中证明其优于指数分布模型。
- ICLR非参数神经网络
本文使用非参数方法研究神经网络中自动寻找最佳规模的问题，提出了一种使用 Lp 惩罚项限制增长的方法，并使用 AdaRad 优化算法进行训练，取得了良好的结果。
- 一种基于统计学习的模态回归方法
本文从统计学习的角度系统地研究了非参数模态回归问题。我们发现，MCCR（基于最大相关性准则的回归）在极小尺度参数下本质上是模态回归。作者提出了一种分析和实现模态回归的框架，包括模态回归函数的描述、模态回归风险的明确定义以及提出的代理模态回归 - 局部健壮半参数估计
提出了一种局部鲁棒正交矩函数的构造方法，用于 GMM 的非参数或高维度的第一步估计，并表明可通过添加非参数影响函数建立正交矩函数以及用于估计未知函数的一般方法。同时给出了一些新的双重鲁棒矩方程，并应用于高维回归分位数和动态离散选择参数函数估 - 剂量反应学习的观察干预先验
本文介绍一种层级高斯过程先验法来构建对剂量反应曲线的分布，实现了通过多个来源的数据进行组合后的快速学习，同时提出一个应用于处理早产儿认知技能疗法效应模型的案例分析。
- 稀疏超图的谱检测
本文提出了一种基于广义非回旋 Hashimoto 矩阵的谱方法，用于从超边集合中的节点分配到社区的问题，并在稀疏区域分析其性能，结果表明此方法能够检测到社区，同时具有更简单、完全非参数化的重要优点，并且能够在不事先知道超边生成规则的情况下进 - 简单，准确和鲁棒的非参数盲超分辨率
本研究提出了一个新的非参数性盲超分辨率方法，该方法包括使用卷积一致性约束来指导估计的非盲学习型超分结果，并对高清图像和模糊核进行异常的 bi-l0-l2 - 范数规则化，最后比较实验证明，该方法在核估计准确性和图像超分辨率质量方面都表现优异