本研究提出了一种新的符号回归方法SR4MDL，通过基于最小描述长度的搜索目标，解决了预测误差下降不规律的问题。该方法在测试中成功恢复约50个公式，超越了现有最先进的方法。

该论文提出了一种基于最小描述长度原则的框架，用于自动检测子空间和聚类数量，并通过贪婪搜索优化参数空间。研究了稀疏子空间聚类算法在降维数据上的应用，提出了新的聚类数目估计方法和深度聚类技术，实验证明其在高维数据聚类中的有效性和优越性。

本文综述最小描述长度（MDL）原理及其在统计、机器学习和模式识别中的应用，将其视为惩罚最大似然与贝叶斯方法的推广。相关研究包括信息论探针评估预训练表示、信息瓶颈分布式表示、神经网络压缩与泛化误差上界，以及基于MDL的图模型结构学习和自监督视觉表示。

人类行为具有层次性，通过分解任务或抽象行为形成。研究发现人类在计划时对效用最大化和最小描述长度敏感，但也有重用性偏好。通过扩展最小描述长度模型，可以解释人类行为并预测层次规划的原则。

该文介绍了一种使用两部分代码进行通用编码的最小描述长度（MDL）估计器，其遗憾接近于最小最大遗憾。通过构造结构增强的族和局部指数族，给出了基于Barron和Cover在1991年引入的理论的MDL估计器的风险和损失的紧密上界。同时，该结果还可以应用于混合族。