本研究介绍了一种基于多元中位数的新估计方法，能在随机向量的二阶矩存在的条件下达到纯亚高斯性能。

Feb, 2017

本论文利用半定规划松弛和高维中位数，首次提出了一种多项式时间算法，能在有限均值和协方差的假设下估计具有重尾分布的多维随机向量的均值，并实现亚高斯置信区间。

Sep, 2018

提出了一种估计随机向量均值的估计器，时间复杂度为 $O (n^4+n^2d)$，其误差界限符合亚高斯分布。与 Hopkins（2018）介绍的基于二次项和谐级数的多项式时间估计器一样，在具有有限均值和协方差的数据分布方面，效率最高，但运行时间更快，分析更简单。

Feb, 2019

介绍子高斯均值估计器、中位数估计技术及其在可能存在重尾数据的单变量和多元设置中的应用，同时探讨拟重尾数据情况下的回归函数估计问题。

Jun, 2019

基于 PAC-Bayes bounds 的新 M-estimators 方法在随机变量具有有界方差和有界峰度或者仅有界方差的情况下具有非渐进极小方差偏差特性，在分布为重尾分布的情况下，其对某个置信度水平的偏差与统计样本的经验均值的偏差的顺序相同。

Sep, 2010

本文研究了一个基于迭代重新加权的估计方法，该方法针对多元高斯分布的均值具有鲁棒性，且具有多个优秀性质，包括计算上的可行性、对平移、伸缩和正交变换的不变性、高断点以及渐近有效性。此外，本文还为提出的估计器建立了无维度的非渐近风险界限，并将结果推广到了子高斯分布和污染率未知、协方差矩阵未知等情形。

Feb, 2020

本文研究了概率测度 $P$ 均值的健壮估计量，提出了一种稍微复杂的构造方法以处理健壮 $M$- 估计问题，并将该方法应用于最小二乘密度估计、具有 Kullback 损失的密度估计以及非高斯、不受限制的随机设计和异方差回归问题，同时作者表明该策略也可以用于数据只被假设为混合的情况。

Dec, 2011

在研究中，我们发现对于任何分布，没有合理的估计器能够在渐近情况下超过次高斯的误差率，匹配最坏情况的结果。我们引入了一个新的定义框架来分析算法的细粒度最优性，称之为 ' 邻域最优性 '，其中介于 ' 实例最优性 ' 和' 可接受性 ' 定义之间。

Nov, 2023

研究了在数据生成分布的方差不存在的情况下对重尾均值估计问题的解决方案，提出了一种具备计算效率的估计器，并通过信息理论建立了最优可达置信区间的信息理论下界。

Nov, 2020

本研究考虑了独立采样数据的公共平均值估计问题，提出了一种估计器，它能够适应数据异质性的水平，在 i.i.d. 和某些非同质​​​​​​​的设置下均达到近似最优，其估计器既考虑了传统统计学中的模态区间、shorth、中位数估计器，又利用了新型经验过程理论结果，在多元估计和回归的情况下，我们提出了可在多项式时间内运行的估计器版本。

Jul, 2019