high-dimensional

介绍了一种用于非参数工具变量估计的微扰方法，该方法通过高阶修正扩展了核岭回归方法，在高维设置中实现了预测误差高达99%的降低。

本文介绍了Unicorn，一个用于对高维时间序列进行可扩展的多数据集预训练的框架，它通过潜在原型码本将相关性建模与特定通道身份解耦，从而实现了领域迁移和少样本预测。

提出了双参数流方法，从无标签样本学习高维概率密度的动力学，利用条件流匹配提取物理时间速度场。

本文介绍了PACE-GGM，一种差分隐私的协方差估计方法，它自适应地选择和测量经验协方差矩阵中信息量最大的条目，并使用Gaussian Graphical Models进行重构。该方法在真实世界数据上显示出相对于基线方法的改进估计误差，特别是在高维设置中。

论文介绍了Kernel Discovery，这是一个LLM驱动的进化框架，用于高维贝叶斯优化，它搜索更广泛的核空间并在基准测试上取得了最先进的结果。

非对称流建模（AsymFlow）将噪声预测限制在低秩子空间，以实现高效的高维流生成，通过从潜在流模型微调，在ImageNet和文本到图像任务上取得了最先进的结果。