通过对高度破损的测量信号进行稀疏信号恢复，本文证明了一个令人惊讶的现象，并保证了当污染度较高时仍能够稳定恢复稀疏信号。

Feb, 2011

本文主要研究了在高维数据下 Lasso 作为一种正则化和变量选择技术的一些性质，特别关注了 Lasso 在松弛 irrepresentable 条件之后的一些表现，包括一些适用于固定设计的条件以及一些收敛性的结果。最后，文章通过天体物理学中相邻频率的检测问题进行了结果论证。

Jun, 2008

研究了在包含噪声的观测中一直稀疏模式的一致估计问题，分析了 Lasso 去恢复稀疏模式的行为， 并根据高斯集合的相互不相关性条件建立了问题维数、非零元素数量和观测数之间的关系，并通过计算明确了阈值，确定了可靠恢复稀疏模式所需的观测数的下限和上限，从而解决了该问题。

May, 2006

研究了在存在 Lipschitz 连续生成模型的情况下，从嘈杂的非线性测量中估计未知的 n 维信号问题。研究表明，非一致恢复保证在 i.i.d. 下成立，并且这种方案可以抵抗对抗性噪声，同时经过推广，可以适用于神经网络生成模型和其他测量模型。

Jun, 2020

研究了非线性观测信号估计问题，当信号属于高维空间中的低维集合时，可以使用广义 Lasso 方法，针对非线性观测信号进行噪声线性观察建模，通过信号重建结构降低误差，允许信号具有不连续、多义和未知的非线性特征，并允许测量矩阵的行具有未知的协方差矩阵。

Feb, 2015

本文中提出了一种压缩感知技术，通过 l1 - 正则化问题来恢复高维实向量 x_0，证明了只要 A 满足均匀不确定原理并且 x_0 具有足够的稀疏性，则可以在噪声水平内准确恢复 x_0，并给出了两个实例。

Mar, 2005

通过 Thresholded Lasso 过程，对带噪声的低维数据进行精确估计，同时实现对是稀疏向量的估计和预测，这是因为该过程遵循受限特征值条件和匀致不确定性原则，简而言之，提出了使用 Lasso 方法求解线性模型上的稀疏问题的新方法，并通过模拟验证了理论分析的正确性。

Feb, 2010

本文研究了 Lasso 等凸估计量的性能，介绍了两个量，噪声障碍和大规模偏差，并证明了兼容性条件是实现快速预测速率所必需的。同时，该研究还发现了适用于跨越许多类型的设计矩阵、活跃子集和任何调优参数的损失公式，包括凸惩罚项等等，并展示了调优参数与 Lasso 的相互关系。

Apr, 2018

本文提供了一个简单有效的算法来解决稀疏鲁棒线性回归问题，即从被稀疏噪声干扰的线性测量中估计一个稀疏的向量，对于高斯测量，基于 L1 回归的简单算法可以成功地估计任何小于 0.239 的锁定率，而该算法所需的测量数为 O (klog (n/k)) 个，能够同时估计稀疏和稠密的 w*，容忍大常数分数的离群值和对抗性而非分配性（例如，高斯）稠密噪声。

Sep, 2018

针对矩阵不确定性问题下的稀疏向量估计，提出了一种新的矩阵不确定性选择器（MU-selectors）算法，该算法在满足对 X 的限制特征值假设下，可在不同的规范和预测风险下接近于 θ*。同时在更强的假设下，该算法可以正确恢复稀疏模式

Dec, 2008