高维稀疏回归与匹配追踪
本文研究在高维度及受到恶意破坏性干扰情况下，稀疏估计任务能否有效地完成，并提供了一些在存在噪音的情况下，提供非平凡误差保证的有效算法。研究表明，在这些问题上存在着计算与统计之间的差距。
Feb, 2017
提出了一种用于高维度稀疏回归中具有常量分数的自变量和/或响应变量的污染的算法，它是迄今为止的首个这样的算法，利用使用这种算法，我们提供了强健的稀疏回归方法和过滤算法。
May, 2018
本篇论文提出了一种名为残差比阈值法（Residual Ratio Thresholding，RRT）的新技术，可以在没有关于疏密性和噪声统计的任何先验知识情况下运行正交匹配追踪（Orthogonal Matching Pursuit，OMP），并为其建立有限样本和大样本支持恢复保证。分析结果和实数及虚数数据集的数值模拟表明，RRT 的性能与具有先验知识的 OMP 相当。
Jun, 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
通过使用硬阈值化的新颖变体，本文提出了一种快速的鲁棒估计器，可以有效地解决使用响应变量损坏的鲁棒线性回归问题，并通过应用于不同的扰动模型，展示了其估计能力的稳健性。
Mar, 2019
研究稀疏优化问题中的算法和局限性，探索稀疏线性回归和鲁棒线性回归问题，在此基础上展示了鲁棒回归问题的二准则、NP-近似困难性，给出了一个使用近似最近邻数据结构的鲁棒回归算法，并且介绍了一个从鲁棒线性回归到稀疏线性回归的通用带宽率约化算法。
Jun, 2022
本文研究高维统计中的稀疏线性回归问题，特别关注相关随机设计条件下的Lasso算法以及基于特征适应的算法，提供了可以自适应处理少量近似相关性的Lasso算法优化及多项式复杂度的改进，以实现在常数稀疏度和任意协方差Σ情况下的最优样本复杂度。
May, 2023