探索使用次立方算法解决在线布尔矩阵向量乘法问题的困难程度，并将此问题与许多动态问题的困难程度联系起来，以展示它们之间的多项式时间困难性，并可能为它们展示深入的无条件下界或突破共同的障碍，并为一些未解决的问题提供了一个新的，统一的证明方法。

Nov, 2015

本文提出一种在线维特比算法，用于在远小于线性空间的情况下解码隐马尔可夫模型，该算法计算长度为 $n$，具有 $m$ 个状态的 HMM 所需的最大内存使用量期望可以低至 $\Theta (m\log n)$，用于基因发现的简单 HMM 模型的实验结果表明该算法的性能表现出色。

Mar, 2007

本文通过基于生成函数的分析框架，探讨了 Viterbi Training 算法对隐马尔可夫模型参数估计的优劣，并发现该算法在自动奥卡姆剃刀原理下，能够更快速地收敛，实现更为简洁的模型学习。

Dec, 2013

本文探讨了使用 Ising 自旋模型进行二进制对称隐马尔可夫过程的最大后验 (MAP) 序列估计的理论分析。我们证明了这个估计问题可以被转化为能量最小化问题，并研究了 MAP 的性能特征包括准确性和对于观测序列的解的数量。我们的研究结果表明，在适当的噪音强度范围内，求解与观测序列唯一相关，但准确性随噪音增强线性降低；噪声值适中时，准确性几乎独立于噪声，但问题存在指数级解的数量；对于更大的噪声强度，解的数量再次减少，但准确性很差。我们证明这些不同噪声强度范围的 Ising 模型状态属于不同热力学相，相互相关，并通过一阶相变实现转换。

Jun, 2009

本文介绍了一种高效学习隐马尔可夫模型的算法，其样本复杂度不明确依赖于离散观察序列的数量，而是通过其谱属性隐含地依赖于该数量，这使得该算法适用于像自然语言处理这样具有大量观察值的领域。

Nov, 2008

本文提出了使用 log-determinants 和 stochastic trace estimators 的两种逼近方案来使得贪心算法更快速，从而解决大规模 determinantal point processes 的 MAP 问题。实验表明，该算法在不牺牲较少精度的情况下比其竞争对手快数个数量级。

Mar, 2017

利用贝叶斯近似传递信息算法来解决在压缩感知中多测量向量（MMV）问题，提出了一种称为 AMP-MMV 的算法，该算法能够利用非零系数幅度的时序相关性，并提供信号向量及其基本支撑的软估计。通过近期发展的近似传递信息技术的扩展来扩展 AMP-MMV 的方法，在所有问题维度上具有线性计算复杂性，而期望最大化算法被描述为自动参数调节。通过详细的数值研究，证明了该方法的有效性，特别适用于高维问题。

Nov, 2011

研究了隐马尔可夫模型及其扩展类 quasi-HMMs 生成的离散随机过程的建模问题，提出了基于有限长度的序列概率的两种模型，并通过张量分解技术，对这两种模型进行了比较和联系。

Nov, 2014

提出了一种新的算法，用于从已发射的数据中识别隐马尔可夫模型（HMM）的转移和发射概率。该算法尤其适用于样本长度足够长以准确估计二阶输出概率但不是更高阶输出的情况下。我们将方法应用于隐藏主题马尔科夫建模，并证明如果文档被建模为共享相同发射（主题）概率 HMM 的观察值，与简单但广泛使用的词袋模型相比，可以学习具有更高质量的主题。

Feb, 2018

介绍了一种学习算法，用于高效的近似矩阵乘法，其常用特性是需要零次乘积添加操作。实验表明，它比现有方法快 10 倍以上，而且比确切矩阵积快 100 倍。此外，核心操作 - 混合哈希，平均和字节混洗，可以是机器学习的更有前途的构建块，而不是近期研究和硬件投资重点的稀疏、因式分解和 / 或标量量化矩阵乘积。

Jun, 2021