对一种正则化优化问题，引入一种求系数路径的方法及其性质，为回归和分类的 LASSO 提供了鲁棒性解决方案，同时提出了现有问题的新型算法，包括 Mammen 与 van de Geer 的局部自适应回归样条。

Aug, 2007

对机器学习中的正则化优化问题，针对单一参数模型（例如 SVM），提出了能够计算整个解路径的算法，但针对 SVM，在训练点数量较大时，其解路径的复杂度可能呈指数级增长。

Mar, 2009

本文提出了一种计算广义套索问题路径的基于对偶问题的算法，能够解决广泛的应用场景，并通过对 $I$ 的情况，与 LARS 算法建立联系，并导出了广义套索拟合的自由度的无偏估计，该估计在很多应用中都非常直观。

May, 2010

介绍了一种新颖的方案，用于在具有 Lasso 的高维线性回归中选择正则化参数，该方案受非参数回归中带宽选择的 Lepski 方法的启发，具有最佳的有限样本保证和快速算法。

Oct, 2014

我们提出了一种新颖的量子高维线性回归算法，基于经典的 LARS（最小角度回归）路径算法，通过引入量子求解子程序和近似量子最小寻找子程序，实现在目标参数变化时得到完整的正则化路径，以相对比较快的速度实现了二次加速。我们的研究还证明了 LARS 算法和我们的量子算法对误差具有鲁棒性，并给出了关于未知系数向量和近似 Lasso 解的界限。

Dec, 2023

研究了具有 Lipschitz 损失函数的高维广义线性模型，并证明了带有 Lasso 惩罚项的经验风险最小化算子的非渐进性 oracle 不等式。惩罚项是基于线性预测中的系数，在经验规范化后计算。研究包括逻辑回归、密度估计、带有 Hinge 损失的分类和最小二乘回归。

Apr, 2008

本文主要研究了 Lasso 方法在稀疏线性回归中的应用，重点探讨了 Lasso 解唯一性和非唯一性可能的原因和处理方法，利用线性规划方法计算给定问题实例的解不确定性，总结了有区别的解的特点和相关研究成果。

Jun, 2012

提出了一种近似正则化路径追踪方法，用于求解许多具有非凸问题求解的学习问题，该算法迭代复杂度与全正则化路径相同，可以同时提供统计和计算收敛率的显式表达式，并可以实现全局几何收敛，以及对于所有近似局部解的样本复杂度分析和精确支持恢复结果。

Jun, 2013

本文考虑正则化回归问题，其中先验正则化器是一个凸函数并对于黎曼子流形是部分光滑的，我们研究了任何正则化最小化器对观察值微小扰动的敏感性，并提供了其精确的本地参数化。我们的主要敏感性分析结果表明，在观测变化微小地情况下，预测变化在同一活动子流形上局部稳定。

Apr, 2014

本文探讨当解释变量存在极低相关性和相对较少的效应，以及这些效应都具有大幅度的影响力时，在一个线性稀疏的情况下，Lasso 算法无法正确找出重要变量的问题，并得出了在 Lasso 路径上假正率和假负率的渐近折衷关系。

Nov, 2015