Boken "High-Dimensional Probability" gir en grundig forståelse av oppførselen til tilfeldige vektorer, tilfeldige matriser, tilfeldige underrom og objekter som brukes for å kvantifisere usikkerhet i høyere dimensjoner. Med utgangspunkt i teorier fra sannsynlighet, analyse og geometriske prinsipper, har verket applikasjoner innen matematikk, statistikk, teoretisk datavitenskap, signalbehandling, optimalisering og mer. Som den første av sitt slag, integrerer den teori, sentrale verktøy og moderne applikasjoner av høy-dimensjonal sannsynlighet. Boken tar for seg konsentrasjonsulikheter som står sentralt, og dekker både klassiske resultater som Hoeffdings og Chernoffs ulikheter, samt nyere utviklinger som matrisen Bernstein's ulikhet. Videre introduserer den kraftige metoder basert på stokastiske prosesser, deriblant verktøy som Slepian's, Sudakov's og Dudley's ulikheter, samt generisk kjedeteori og grenser basert på VC-dimensjon. Med et bredt spekter av illustrasjoner, presenteres både klassiske og moderne resultater for kovariansestimering.
