本文研究了通过一系列测量获取未知目标位置（在有限个位置中）的问题，并建立了目标获取问题和二进制输入加性白噪声信道上的信道编码之间的等价性，提出了一种基于排序后的后验匹配信道编码策略的两阶段自适应目标搜索策略。通过信息论会话进一步研究了自适应和非自适应策略的基本限制，提出了适应性增益的下限。

Dec, 2017

本文研究了无实现性假设下具有相关 ($\beta$-mixing) 数据的随机设计线性回归的上界，并得出与中心极限定理预测的方差项恰当相符的结果。

May, 2023

本文提出了一种新的传感器放置问题的建模方法，在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解，并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。

May, 2019

优化传感器部署在目标定位中至关重要，本文提出了一种方案，利用雷达参数和雷达目标距离的范围测量模型以及模型预测路径积分控制，有效管理复杂环境障碍和动态约束，通过与常规雷达和简化的范围测量模型进行对比，结果表明该方案在目标定位方面表现优异，平均均方根误差（RMSE）降低 38-74%，90% 最高密度区间（HDI）上尾巴的降幅为 33-79%，可在认可后公开代码。

May, 2024

本文提出了一种基于因子图的置信传播方法，用于跟踪未知数量的目标，实现了低计算复杂度和优秀的可扩展性，具有比其他方法更加有利的计算复杂度，能够适用于目标跟踪等领域。

Jul, 2016

本研究旨在探究在高维线性回归模型的情况下，不了解回归参数稀疏性和设计分布对解释方差等因素的估计最小风险的影响，获得了在回归参数稀疏性不明确的情况下最小风险同时达到 logloss 的自适应程序，同时发现设计分布的了解对解释方差的估计至关重要。

Feb, 2016

本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

May, 2023

该研究提出一种二阶方法来处理深度神经网络训练中的标签噪音问题，使用此方法可以解决由任务难度引起的实例相关的噪音，提供一个新的损失函数来处理实例相关噪音，进而能够使用已有的类相关噪音的解决方案来处理该问题。

Dec, 2020

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

本文研究了在存在漂移的目标概念的情况下的学习问题，提出了误差率的上界，并给出了一个能够适应目标概念不断漂移的算法的一般结果，其中包括了该设置的积极学习变体，并提供了得到错误率上界所需的点标签查询数量的界限。

May, 2015