本研究提出了一种新颖的稀疏结构神经电路政策（NCP），旨在提升无线接入网络的能耗估计和能源效率。研究表明，NCP在降低计算开销和能耗方面表现显著，且对模型超参数变化具有较强鲁棒性，为电信行业提供了低成本、可扩展的机器学习解决方案。

本文提出了一种新方法，通过谱密度矩阵和$ ext{l}_1$正则化的Whittle最大似然估计器，从时间相关样本中恢复复杂网络的稀疏边结构。研究表明，该方法在高维样本少于网络规模时仍能有效恢复真实网络的边连接性，具有重要应用潜力。

本文研究了多源异构数据集下学习非正态图模型的稀疏结构变化。提出了一种优化拉索惩罚的D-迹损失函数方法，提高了解路径的速度和精度，特别适用于稀疏差异网络。在肿瘤药物抗性研究中，该方法有效识别重要基因，具有实际应用潜力。

本文介绍了高维潜变量模型推断中期望最大化算法的应用，提出了一种新的高维EM算法，将稀疏结构融入参数估计中，并基于估计值提出了新的推论程序来测试假设和构建置信区间。这个算法为广泛的统计模型提供了高维最先进的估计和可计算的渐近推断方法。