本文针对神经影像学中存在的信号噪声比低、跨会话非平稳性和样本量有限等问题，探讨了基于协方差的机器学习方法。作者提出了一种新颖的SPD学习框架，通过运用黎曼几何分析协方差特征，从而推动脑影像分析的进步。研究表明这一方法对解析神经处理机制具有重大的潜在影响。

本研究解决了现代数据集分析中的复杂分类特征交互问题，尤其是在人口贩卖数据集的应用中。我们提出了一种快速可扩展的方法，通过图协方差和大语言模型生成数据驱动的见解，以解释显著的特征对之间的交互关系。实验结果表明，此方法能有效识别与时间相关的重要特征对，为理解数据背后的事件提供了有价值的洞见。

本研究针对逆问题领域中的求解缺陷进行改进，提出了一种新的方法——协方差感知扩散后验采样（CA-DPS），通过推导反向过程的协方差闭式公式和利用有限差分法进行近似，来提高似然估计的准确性。实验结果表明，CA-DPS在重建性能上显著提升，且无需进行超参数调整。

本研究提出了一种改进的统计框架，解决了成对比较分析中的平局和协方差问题，优化了参数唯一性。评估结果表明，该框架在模型拟合和数据分析方面优于现有方法，并发布了开源Python包以支持实用性和可重现性。

该研究提出了一种新型异构块协方差模型（HBCM），有效解决了传统社区检测方法在处理带连续权重边的网络时的不足，能够准确估计社区成员资格。

本研究提出了一个统一框架，解决了频率变化下声学参数估计的问题，显著提高了混响时间、混响比和清晰度的估计精度。新特征SSCV和FOA-Conv3D网络的表现优于现有方法。

本研究针对加权样本协方差估计中存在的问题，提出了渐近非线性收缩公式。该研究的新颖性在于详细推导了指数加权样本协方差的公式，并实验验证了这些收缩公式的有效性，显示出在重尾分布下理论的稳健性。这些新工具为加权样本协方差的非线性收缩方法应用开辟了新的方向。

本研究解决了加权样本协方差谱在维度随样本数量增长时的非随机行为问题。提出了一种新的计算程序以寻找其谱密度和支持集，并设计了WeSpeR算法，有效地估计谱密度并检索真实谱协方差。实证测试表明WeSpeR算法具有良好的性能。

文章利用随机矩阵理论和自由概率工具推导高维岭回归模型的性能，提供公式识别性能的幂律缩放来源。研究发现，$S$变换与训练-测试泛化差距相关，并类比广义交叉验证。通过这些技术，分析随机特征模型的偏差-方差，揭示特征方差和权重结构对性能的限制，扩展对神经缩放定律的理解。

该研究针对一维高斯过程数据的均值变化检测，提出了一种基于广义似然比检验的方法。该方法在固定和增长域中几乎达到渐近最优，充分利用了高斯过程的协方差结构。即使协方差未知，插件GLRT方法仍保持近似最优。

本研究提出了一种新的估计方法，解决了直接从数据中估计两个协方差矩阵之间距离的问题。该方法在多变量分析上优于传统的插件估计器，并提供了强有力的统计框架。

本研究针对数据中的偏见及其在样本较少时导致的不稳定性问题，提出了公平协方差神经网络（FVNNs），通过对协方差矩阵进行图卷积处理，实现既公平又准确的预测。FVNNs 提供了灵活的模型，支持多种现有的偏见缓解技术，并在合成和实际数据上验证了其鲁棒性和公平性。

本文研究了图像分类中的类不平衡问题，指出其导致的网络退化困境并提出了名为Whitening-Net的框架，旨在通过ZCA白化前置线性分类器来减轻该问题。在面临极端类不平衡时，提出现有的协方差统计波动明显，为此我们提出了两个协方差校正模块，以增强白化的能力，并通过在多个基准数据集上的实验证实了其有效性。

本研究提出了一种基于高斯先验协方差的综合分析方法，解决了高斯过程中后验协方差场分析的不足。通过几何分析，揭示了高斯核带宽参数和观察数据的空间分布如何影响后验协方差及相应的协方差矩阵，进而提出了多种高效测量绝对后验协方差场的估计器，以支持协方差矩阵近似和预处理方法。

在Riemann流形上的深度神经网络在计算机视觉和自然语言处理任务中得到广泛应用。最近的研究表明，双翼运算和双翼向量空间的概念也适用于矩阵流形。研究者设计了在对称正定流形上的全连接和卷积层，并提出了一种使用Grassmann对数映射进行反向传播的方法。验证了该方法在人类动作识别和节点分类任务中的有效性。

最新的扩散模型为嘈杂的线性反问题提供了一种无需重新训练的解决方案。通过近似条件抽样的逆扩散过程的条件后验均值，揭示了最新方法对扩散嘈杂图像的干净图像进行高斯近似。提出了一种基于最大似然估计的通用后验协方差优化方法，以改善最新方法。实验结果表明，该方法显著提高了性能和鲁棒性。

基于协方差算子的耦合协方差本征值问题，提出了一种新的非对称学习范式，与 KSVD 相关的非对称内核矩阵 SVD 获得解决方案。通过有限样本近似形式化了非对称 Nystrom 方法以加快训练，并验证了 KSVD 的实际效用和优势。

该研究发展了一套非渐进理论，用于理解离散时间下扩散模型数据生成过程。研究发现，常见的确定性采样方法的收敛速率与步骤总数 $T$ 成反比例，而主流随机采样方法的收敛速率与步骤总数 $T$ 的平方根成反比例。同时，研究还设计了两种加速变体，提高了收敛速度。

提出了一种在不强加限制性假设的情况下构建协方差估计器的原则方法，通过最小化与接近名义分布的所有数据分布相关的最坏情况 Frobenius 误差来研究分布鲁棒协方差估计问题，证明了鲁棒估计器的有效计算性、渐近一致性和有限样本性能保证，并通过合成 Kullback-Leibler、Fisher-Rao 和 Wasserstein...