本文提出了一种基于HSIC的特征选择框架，旨在统一监督学习问题。通过后向逐步消除算法，最大化特征与标签的相关性，验证了该方法在人工和实际数据集上的有效性。同时，研究了基于核函数的独立性检验方法及其在高维数据中的应用，并提出了自我监督学习方法，实验结果显示其在ImageNet数据集上表现优异。

本文探讨了希尔伯特-施密特独立准则（HSIC）在统计检验中的应用，提出了一种基于HSIC的独立性检验方法，适用于不同随机变量的独立性测试。研究表明，即使在核函数不具特性的情况下，该方法仍然保持一致性。此外，文中介绍了新型的非参数假设检验方法及其在因果发现中的应用，展示了HSIC在统计分析中的有效性和优势。

本文汇总了多项连续学习研究：DualHSIC利用任务关系提升性能；HSIC瓶颈缓解梯度问题并增强鲁棒性；无回放类增量学习通过互补子网络实现；超网络方法持久记忆任务权重；经验回放结合锚定目标减少遗忘；稀疏性与异构dropout提升长序列表现；进化混合模型动态扩展架构；非对称二次函数逼近应对灾难性遗忘。

本文提出了一种基于最优调整算法的学习贝叶斯网络的方法，通过确定父节点的可识别性条件并使用 Hilbert-Schmidt 独立性准则进行优化。实验证明该算法在不同数据集上优于现有方法，特别是在 Sigmoid 混合模型中，算法的结构干预距离（SID）比 CAM 算法小 329.7，表明该算法对图的估计缺少的边更少。