通过解决正则化 M - 估计问题，我们成功预测了在高维比例范式下这种估计器的误差性能，并识别了一种新的总结参数，称为预期的 Moreau 信封，在误差表征中起着核心作用。

Jan, 2016

在处理高维稀疏线性模型、有重尾分布和 / 或异常点污染的数据时，研究正则化鲁棒 M - 估计量的理论性质，首先在错误分布满足一定条件时建立一种罚函数回归估计器的局部统计一致性形式，并在这种条件下证明了这些估计器的极小化误差达到了 Lasso 估计量亚高斯错误的极小值，接着通过使用合适的非凸正则化器代替 l1 惩罚，证明了这些稳态点实际上是独一无二的，并等于正确支持的本地 Oracle 解，这对于有效地处理重尾误差具有重要的影响。

Jan, 2015

通过矩阵分解问题中的凸松弛方法，结合核范数和分解式正则化，我们分析了一个能得到估计值的一般性定理，该定理可以适用于低秩矩阵、稀疏矩阵及一些可压缩的高维矩阵。我们利用了峰态条件，得到了确定性和随机性噪声矩阵的非渐近性弗罗贝尼乌斯误差界，同时也证实了最小化误差的下限和数值模拟结果的契合度。

Feb, 2011

研究如何在高维结构化估计中使用强鲁棒技术，包括利用非凸损失函数的修剪版本的结构化规则的 M 估计量，分析它们的统计收敛速率和一致性，并展示了其在基因组数据分析中的表现。

May, 2016

研究高维推断中估计矩阵的问题，提出基于迹或核范数的正则化 M 估计方法来近似低秩矩阵，分析其性能并提供 Frobenius 范数误差的非渐近界限，并应用于多变量回归、向量自回归过程等特定矩阵模型，模拟结果与理论预测吻合度高。

Dec, 2009

这篇研究论文通过使用正则化技术，解决了高维数据应用中 EM 算法在 M 步时无法定义的问题，并在此基础上，具有统计保证的处理了高维混合回归、缺失变量回归等问题。

Nov, 2015

本文提供了关于正则化 M - 估计器局部最优解的新理论结果，覆盖了许多感兴趣的非凸目标函数，包括误差 - 变量线性模型的校正套索方法，具有非凸罚项的广义线性模型回归，以及高维图模型估计，我们提供了误差的上限，证明了我们的理论结果，同时提出了一种简单的修改方法，使得可以在 log (1/∊) 步内以任意精度获得近似全局最优解，这是任何一阶方法可能达到的最快速度。

May, 2013

对于大部分基于凸优化的统计 $M$- 估计器，我们分析了解决这些问题的渐进收敛速度，并在高维框架中工作，我们定义了适当限制的条件，并证明了这些条件适用于各种统计模型，我们的理论保证了项目的概率几何收敛速度不断提高，最高可达到模型的统计精度，这个结果比以往收敛结果更加尖锐，这适用于 $M$- 估计器和各种统计模型，展现了高维估计中统计精度和计算效率的有趣联系。

Apr, 2011

通过研究称为均匀正则化比例不变的更一般模型，本文证明了低秩逼近模型中的比例不变性带来了隐式正则化，具有意想不到的有益和有害效果，并根据这一观察加强了正则化函数在低秩逼近模型中的作用理解，以引导正则化超参数的选择，并设计平衡策略以提高优化算法的收敛速度。

Mar, 2024

本文通过理论分析，在高维数据考虑时，通过经验风险最小化框架的分类性能，针对两类高斯混合问题，提出了精确的分类误差预测，并且提出了在岭正则化和非正则化的情况下，都采用简单的平方损失作为高维分类的最优选择。

May, 2019