该研究提出了一种用于基因组关联研究的标准线性模型，具有准确转换、快速算法和有效计算边缘似然的三个创新点。已成功应用于多发性硬化的大规模关联研究。

该论文提出了一种简单高效的优化神经网络超参数的方法，采用边缘似然作为优化目标，将训练数据和神经网络模型分片并优化每个分区，最后通过子网络的“训练外样本”损失来优化多种不同类型的超参数。该方法特别适用于联邦学习中优化超参数的情况。

本文从贝叶斯角度出发，研究线性模型的训练速度与边缘似然之间的联系。发现训练速度可估计边缘似然，并预测线性模型组合中模型的相对权重。实验证明这种直觉在深层神经网络中也成立，为解释随机梯度下降训练的神经网络偏向良好泛化函数提供新方向。