比较三种采样方法的效率，并证明基于 Sobol 序列的准蒙特卡罗方法具有卓越的性能，适用于大多数复杂度的测试问题。

May, 2015

本文提出了一种 Latin Hypercube Sampling based Boundary Attack (LHS-BA) 方法，其相比于现有的 SRS 方法，具有更好的均匀性和查询效率，可有效地生成边界攻击样本。在多个数据集上的实验表明，该方法的表现优于现有的边界攻击方法，并且其源代码可在链接中公开获取。

Jul, 2022

该研究提出了一种新的采样方案和无偏估计器，利用局部敏感哈希（LSH）在次线性时间内准确估算分配函数，实现了高效的样本生成和处理，进而提高了训练实际语言模型的速度和精度。

Mar, 2017

通过随机层次聚类方法选择少量的锚点，并仅为每个数据点允许锚点具有非零权重，从而解决了大规模数据集中实际的解决 LASSO 问题的难题，并且利用正交矩阵的 Grassmann 流形将图层之间的共享连接总结在一个子空间内，通过 k-means 聚类在这个子空间内对数据点进行聚类，提高了 SSC 算法的可扩展性和鲁棒性。

Feb, 2018

本文提出基于分数阶因式设计理论的平衡子采样稳定预测算法 (BSSP)，可减少由分布偏移引起的干扰效应，提高参数估计的准确性和预测稳定性，并在合成和真实数据集上取得了显著的优于基线方法的结果。

Jun, 2020

本文提出了一种基于双聚类和阶段式混合采样的集成学习算法 ——DCSHS，以解决类不平衡和类重叠问题，并在 30 多个公共数据集和 10 多种代表性算法上进行验证，结果表明该算法在各种评价指标上表现显著最佳。

Nov, 2022

本研究探究了针对大型超参数空间的机器学习算法选择和超参数调优问题，并提出了一种新的抽样分布方法，以便与现有的机器学习方法进行比较和评估。我们发现，采用该抽样方法在所有情况下均可提高性能。

Sep, 2019

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

研究 PCA 在高维，低样本大小的情况下的渐近行为，发现在一些充分的条件下，估计的 PC 方向是一致的，其他的方向强不一致，而这些条件在主定理中指定。

Nov, 2009

该研究对 $ell_p$ 子空间嵌入的灵敏度取样提供了新的理论边界，为许多具有小 $ell_p$ 灵敏度的结构矩阵提供了最佳已知的样本复杂度。

Jun, 2023