本研究发现借助确定性列采样算法可以优化矩阵逼近的效果，但要求杠杆得分具有适度陡峭的幂律衰减特性。我们提供了实证证据支持这一假设，并通过实际测试表明，该算法的性能已达到或超过了现有技术水平。

Apr, 2014

本文研究了基于统计杠杆得分的新型查询标准对主动学习的影响，通过在多个二元分类数据集上的实证比较，表明查询高杠杆点是一种有效的策略。

Jul, 2015

本文提出了一种基于核的正定矩阵的杠杆得分采样算法， 并利用该方法派生了核岭回归的新解算器，我们的主要技术贡献在于表明所提出的算法目前对于这些问题是最有效和精确的。

Oct, 2018

通过简单的迭代行抽样算法和加权少数行使每个矩阵的相干度低，我们能够使用随机抽取行的方式进行矩阵近似，以大大提高数据处理速度。

Aug, 2014

本文通过实证杠杆得分的方式，研究在随机特征的领域中，在核逼近和数据分布之间的权衡，提出一种算法可以有效地减少所需的特征数量，且不需要使用输出信息。实验结果表明，与普通的蒙特卡罗采样相比，该算法始终表现出优势，并且在进行了轻微的修改后，该算法在没有使用输出（标签）信息的情况下与监督的数据相关核学习方法相当竞争力。

Mar, 2019

该研究应用随机数值线性代数方法来分析大规模时间序列数据，并开发了一种新的算法 LSAR，其在拟合 AR 模型时，能够以高概率找到最大似然估计，并在大数据规模下拥有优异的性能表现。

Nov, 2019

这篇论文研究数据分析中的线性回归和数据素描技术，探讨在样本量有限的情况下如何选择行列子集对数据进行估计和推断，发现虽然算法上的优化子集无法适用于预测和推断，但通过统计学方法可以提供建议的子集大小，并通过实验表明，使用不同的子集来估计结果可以将预测结果效率与使用全样本的方法几乎相同。

Jul, 2019

本文章介绍了一种改进基于核方法的机器学习方法运行时间的方法，并提出了一个计算算法，该算法可以用来在不需要生成全核矩阵的情况下，对特征向量矩阵进行采样，并在统计表现和运行时间方面提供了新的保证。

Nov, 2014

对大规模最小二乘问题的解决方法采用随机草图算法的统计和算法方面进行了考虑，提出了算法和统计两种框架并比较其性能，并且证明了在使用随机投影和随机抽样算法的情况下，当样本数为 $r$，且 $p<r<n$ 时，算法误差与原始问题的误差相同。

Jun, 2014

本文探讨了权重得分采样技术在核方法和深度学习理论中的应用，证明了神经网络的初始化与用随机特征逼近神经切向核之间的关系，以及通过使用常规的随机高斯权重或权重得分采样初始化，正则化神经网络和神经切向核岭回归之间的等效性。

Sep, 2020