该论文从信息论的角度总结了群检测问题的最新进展，包括有效的算法、实用的存储和计算需求，解码方法的可达界限以及算法独立的反向界限。作者评估了理论保证的因素，并确定了现有算法是最优或接近最优的区域，同时也确定了可以改进的区域。此外，作者概述了标准群检测问题的若干变体的结果，包括部分恢复标准、带有有限阶段的自适应算法、受限测试设计和次线性时间算法。

Feb, 2019

本研究提出了一些信息理论上的可行性和对话界限，并为基于计算效率的变体提供了略微较弱的可行性界限，为噪声自适应设置提供了可能的最优算法，解决了组测试问题的有关缺陷项和噪声模型的问题。

Mar, 2018

本文提出了一种基于自适应感知和分组测试的简单的稀疏信号恢复算法 —— 压缩自适应感知和搜索（CASS）算法，在最低信噪比水平下成功率接近最优，并比以前的自适应压缩感知工作有所提高。相比基于随机非自适应设计矩阵的传统压缩感知，该算法只需要 k log n 个测量数据即可恢复 n 维稀疏信号，要求的 SNR 水平是标准压缩感知要求的 log n 倍。此外，该算法在感知操作的构建和实现以及对重建结果的计算方面，远比标准压缩感知计算量要小得多。经过模拟实验，CASS 在实践中表现得最好。本文还表明，像压缩感知、分组测试和汇聚这样的方法，不仅可以减少测试或测量的数量，而且自适应版本的这些方法还可以在检测和估计性能方面优于非自适应的直接（未压缩）感知。

Jun, 2013

引入了一种变种的 Group Testing 问题，通过多种类型的物品组合才能得出阳性测试结果，提出了各种不同的算法以可靠地识别所有的半缺陷集合，并且在减少测试次数方面表现优秀，是目前基于解决更一般问题的基础结果的重要改进。

Sep, 2023

本研究探讨了使用不同的群组检测算法来识别不同数量的不良元素的问题，提出了自适应和非自适应算法的上下界，并讨论了是否有先验知识或估计确切数量的情况下的检测数量的限制。

Jun, 2023

本文研究了压缩感知问题，提出了一种基于二阶锥的优化方法，该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下，求解具有优良效果的稀疏向量，该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差

Jun, 2023

本文旨在研究数据压缩中由于舍入和饱和误差而引起的重构问题，提出了考虑量化和饱和误差的约束条件和加权 l2——l1 范数优化目标函数，采用增广 Lagrange 方法求解得到一个稳健的一致性解。同时，文章还对之前的相关建模方案进行了广泛的计算比较。

Jul, 2012

在本文中，我们探讨了量化线性测量的恢复问题，提出使用量化仿射测量可更好地保留信号的范数信息，并在一定条件下更容易实现稀疏信号的恢复，并可以在已知半径的欧几里得球内成功地估计所有这些稀疏向量的范数。

Apr, 2014

该论文采用阈值技术中的概率模型，探讨了对于一组观测数据与数据向量之间的关系的支持恢复问题。该论文提出了通用的可行性和对偶性边界，为线性、1 位和组测试模型提供了特定的可行性和对偶性边界。

Jan, 2015

通过生成模型的范围，无需使用稀疏性，基于 Lipschitz 连续性，提出了一种新的压缩感知算法。与 Lasso 相比，可以使用更少的测量来获得相同的精度。

Mar, 2017