- 多项式图形套索：从高斯图 - 平稳信号学习边缘
Polynomial Graphical Lasso (PGL) 是一种学习从节点信号中获取图结构的新方法，模拟节点信号为高斯和图上的静态信号，提出了一个结合图融奕和更全面模型的图学习公式，通过估计图和精确度矩阵的低复杂度算法来解决优化问题 - 任意数据损坏下的鲁棒在线协方差和稀疏精度估计
使用修正的修剪内积算法，即使在存在任意和对抗性数据攻击的情况下，我们也可以在在线场景中稳健地估计协方差。我们提出了一种在线算法来估计稀疏逆协方差（即精度）矩阵，尽管存在数据损坏。我们提供了算法对真实精度矩阵的估计的误差界和收敛性质。
- 稀疏性和拉普拉斯约束下的网络拓扑推断
通过利用 Laplacian 约束的高斯图模型解决网络拓扑推断问题，我们将任务重塑为估计一个图拉普拉斯形式的精度矩阵。通过在此模型中检验广泛使用的 l₁范数的局限性，我们发现正则化参数的增大会导致解中非零条目的数量增加，理论上，大的正则化参 - 使用离散优化的稀疏高斯图模型：计算和统计视角
我们提出了一种稀疏图的学习方法，应用于一个无向高斯图模型的问题，并通过凸混合整数规划框架得到了新的估计器，该估计器在稀疏性精度矩阵的估计与变量选择方面有着优越的性能。
- 使用高斯径向基函数神经网络学习活动子空间并发现重要特征
研究提出了一种新颖的修改版径向基函数神经网络模型，通过学习可变的精度矩阵，挖掘隐藏于精度矩阵的信息，展示了模型的活跃子空间、特征重要性排序等可解释性结果，并与同类模型进行比较，结果表明该模型不仅有着优异的预测性能而且表现出了可解释性的结果， - ICLR可扩展估计非参数马尔可夫网络的广义精度矩阵
使用广义精度矩阵（GPM），在所有数据类型（即连续、离散和混合类型）中表征了条件独立结构，提出了一种 Markov 网络结构学习算法，在处理大型图形时使用正则化评分匹配框架来统一所有情况。
- 跨主体分析：从密集内部图推断稀疏交互
提出一种新的基于高斯图模型的 Inter-Subject Analysis 模型用于研究大脑区域间的功能连接，应用于神经科学领域，可估计和推断不同对象之间的精度矩阵，并在模拟和大脑成像数据上验证了该模型的有效性。
- 张量图形套索（TeraLasso）
本文介绍了一个名为 Tensor Graphical Lasso (TeraLasso) 的多维张量图形 Lasso 的通用模型，可以准确地和可扩展地估计高维变量数据的条件依赖关系，通过提出的复合梯度下降算法，TeraLasso 模型可以有 - 非凸优化在潜变量高斯图模型估计中的加速
通过矩阵分解方法和基于硬阈值的迭代梯度下降算法，我们提出了一个针对潜变量高斯图模型（LVGGM）的稀疏和低秩分量的估计方法，实验结果表明该算法比现有算法更加优越。
- 分组融合图形 lasso 的块状常数高斯图模型的正则化估计
本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变 - 吸引高斯马尔可夫随机场的正定 M - 矩阵估计和结构学习
该研究探讨了使用符号约束对数行列式差异最小化估计 M 矩阵的方法，提供了基于块坐标下降的算法解决此问题，并给出了模拟和实际数据的说明。
- 大型高斯图模型参数估计的渐近正态性和优化性质
本文提出了一种新的回归方法，根据样本大小相对于稀疏性条件，在稀疏条件下获得每个精度矩阵条目的渐近高效估计，以解决高斯图模型中有关样本大小问题的难点，同时实现了整个精度矩阵的自适应速率最优估计及在潜变量的图模型中进行推断。
- 一种面向稀疏伪似然逆协方差估计的路径跟踪算法 (SPLICE)
本研究提出了一种基于 l1 范数惩罚的拟似然估计方法来计算协方差矩阵和逆矩阵，称之为 SPLICE 方法。该方法在模型精度和模型选择方面表现出最佳性能。