本文研究自适应压缩感知的结构化信号支持恢复问题。我们研究了几类结构化支持集，表征了通过压缩测量准确恢复此类集合的基本限制，并同时提供了表现接近最优的自适应支持恢复协议。我们表明，通过自适应设计传感矩阵，我们可以获得比非自适应协议更显着的性能增益。这些增益源于自适应感知可以更好地减轻噪声的影响，并更好地利用支持集的结构。
Oct, 2014
本文探讨了通过 Tree-sparse 信号的自适应传感和结构稀疏融合的压缩感官技术在支持恢复任务中的性能极限。结果表明，这种自适应树传感过程几乎是最优的。
Jun, 2013
研究了基于线性测量和自适应策略下的信号恢复问题，证明了即使采用自适应和复杂的估计算法，也无法显著提高恢复速度。
Nov, 2011
本文考虑了高维设置下的稀疏向量，研究在测量速率和样品的信噪比为有限常数的情况下，稀疏模式估计的误差比例将为常数分数，并且通过与现有可实现界的比较，建立了在比例误差和信噪比的功能下的范围上限。
Feb, 2010
本文论述了线性模型下，稀疏向量估计的问题，并建立了一个平方均误差的下限，无论使用何种感知 / 设计矩阵和估计过程，均适用。此下限与以随机投影和 Dantzig 选择器等估计过程计算得到的已知上限极为接近，因此基于压缩感知的技术无法实质性改善。
Apr, 2011
本文提出了一种压缩感知技术的性能边界，并描述了如何构建一个可行的正性和通量保持感知矩阵，以及如何在考虑泊松噪声的情况下进行压缩感知感测数据的重建和信号稀疏度惩罚项的优化。研究表明，在信号整体强度增加时，重建误差的上界以适当的速率下降（取决于信号的可压缩性），但对于固定的信号强度，误差界中的信号相关部分随着测量或传感器数量的增加而增加。
Oct, 2009
该研究论文研究了高斯向量模型中的估计和测试问题，通过建立极小值分离距离和引入极小值自适应测试，实现了估计和测试，同时展示了最优算法和估计稀疏性的新方法，为各种统计模型的信号复杂度的估计提供了指导说明。
Mar, 2017
该论文主要研究压缩感知中从有限数量的噪声线性测量数据中恢复稀疏矢量的支撑模式的问题，并通过不同恢复算法的关键参数给出了达到所需误差分数所需的测量速率的界限，同时针对各种实用信号模型证明了界限的紧密性和在一定程度上的近最优性。
Jun, 2010
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
本研究旨在展示如何在一位压缩感知框架中恢复稀疏高维向量的支持度以及改进约束在以一位压缩感知测量中从向量中近似恢复的测量数。我们的结果是通用的，即同样的测量方案可同时适用于所有稀疏向量，并且支持度恢复的最优性是通过证明一个使用 1 位压缩感知的 Union Free Families 组合对象实现的。
May, 2017