- 多变量反事实系统和因果图模型
本文介绍了 Judea Pearl 在因果推断和统计学领域中的许多贡献，并阐述了 d 分离准则、do 演算和中介公式。文章还提出了一种关于潜在结果和事件树的早期因果模型，该模型饭后了 d 分离准则和 do 演算的简化，导致在有隐含变量的因果 - Wasserstein 重心可以在固定维度的多项式时间内计算
使用计算几何技术有效地实现对应的分离神器来解决指数大小的线性规划问题，为任何固定维度的 Wasserstein barycenters 问题提供确定或高精确度计算的多项式时间算法。
- Geomstats：Python 机器学习中的黎曼几何包
该论文介绍了 Geomstats，一种开放源代码的 Python 工具箱，用于在非线性流形上进行计算和统计学，其提供了可靠的可重用构件，适用于机器学习应用中的微分几何和统计学领域。
- 「为什么」之书评：因果关系的新科学
本文是一篇《美国统计协会杂志》上发表的书评，对《The Book of Why: The New Science of Cause and Effect》一书进行了评述。
- CVPR跨迭代批量归一化
本文提出了一种跨迭代批归一化（CBN）方法，利用多个最近的迭代中的样本共同估计统计量以增强估计质量，通过使用基于 Taylor 多项式的技术来补偿网络权重变化，以准确估计统计量，并在小型 mini-batch 情况下检测目标和图像分类任务中 - 神经密度估计和无似然推断
本文探讨了机器学习和统计学中的两个问题：密度估计和无似然推断，结合深度学习中新方法，提出了有效解决方案。
- 利用校准指标改进风格迁移
研究如何通过定量评估程序改进样式转移，在使用 Effectiveness (E) 和 Coherence (C) 统计方法进行比较一些 Neural Style Transfer (NST) 方法的相对性能时发现了几个有趣的属性以及样式权重 - 评估真实世界机器人上深度强化学习算法的可重复性调查
本文探讨了强化学习中的无法重现性问题，提出了使用严格规范的评估方法来确保算法之间的公正比较，并强调了选取适当的度量标准和进行合适的统计分析来做出无偏见的结果报告。
- MM关于马尔科夫核，条件独立性和充分统计量定理的综合方法
使用马尔可夫范畴作为框架，以纯抽象范畴术语处理标准概率统计概念，并为各种类型的概率理论提供统一的处理方法，包括离散概率、测度论概率、高斯概率、这些种类的随机过程等。
- 合并树的内部交错距离
本文主要研究了比较两种基于图形的拓扑摘要的问题，通过使用度量空间中的交错距离概念来解决该问题。我们进一步证明了交错距离在有标签的合并树空间中是内在的，也适用于无标签的合并树空间，这是开展图形拓扑摘要统计工作的第一步。
- ACL什么样的语言难以进行语言建模？
使用一个多语言圣经语料库，通过引入新的配对样本混合效应模型，扩展先前工作以涵盖 13 种语系的 69 种语言，并试图回答困难语言的共同特征问题，结果发现语言的翻译版与本地写作语言一样难以建模。
- 深度签名变换
本研究提出一种创新的方法，将深度学习和 Signature 变换结合起来，通过对数据流进行增强，并利用 Signature 变换来选择 Signature 的项，从而可以实现数据依赖性的学习，同时在神经网络中任意地使用 Signature - 随机系统辨识的有限样本分析
本文探讨了使用现代机器学习和统计学工具分析随机系统识别的有限样本复杂性，使用子空间识别算法和 N 个输出样本提供了系统参数估计误差的非渐近高概率上界。
- 变量重要性云图：探索一组好模型的变量重要性的方法
本文介绍了一个名为变量重要性云的概念，它将每个变量映射到所有良好预测模型中的重要性，并提出了变量重要性图表作为可视化工具，通过在犯罪司法、营销数据和图像分类任务中的实验证明了变量在近似等精度预测模型中的重要性可以发生很大变化。
- 针对大规模应用的模拟样本：具有假发现保证的新特征重要性统计量
该研究探讨了如何使用基于贝叶斯网络的有效算法来生成 knockoffs，并开发了新的测试统计量以提高功率。
- ICLR可切换规范化的微分学习
本文提出可切换标准化（SN），通过学习为深度神经网络的不同标准化层选择不同的标准化器来解决学习标准化问题。 SN 在计算统计量（均值和方差）时使用三个不同的范围，包括通道，层和批处理，并通过学习它们的重要性权重来在它们之间切换，从而能适应各 - COLING神经序列标注的设计挑战和误解
本文研究了构建有效和高效神经序列标记系统的设计挑战，通过复现 12 个模型，在三个基准测试中进行系统模型比较，消除现有文献中的误解和不一致的结论，并得出了一些对从业者有用的实用结论。
- 从数据中学习图形：信号表示的视角
本文综述了从统计学和物理学等传统观点以及从图信号处理 (GSP) 角度采用的更近期的方法。本文重点强调了传统和 GSP 为基础的图推理方法之间的概念上的异同，并强调了后一种方法在许多理论和实践情景中的潜在优势，并结论了未来信号处理和机器学习 - ICML高维数据的随机特征映射谱
本文运用随机矩阵理论诱导的 “浓度” 现象对这些随机特征图 Gram 矩阵的谱分析，为更深入地理解非线性和数据统计学的相互作用提供了基础，从而实现了更好的随机特征技术调优。
- 分层自适应遗忘变分滤波器
该论文介绍了一种基于层级贝叶斯算法的机器学习和统计问题的解决方法，并讨论了这种算法在 RL 等方面的应用。