提出了一种框架，利用从一组有监督数据集获取的知识来处理新的无监督数据集，该框架可以减少无监督学习中的主观性并提供一种评估无监督算法的原则方法，在聚类方面，它可以帮助选择聚类数量和算法，去除异常值并从许多小数据集中学习共性特征，从而实现了零样本学习。

Sep, 2017

提出了一种基于梯度下降算法的非凸优化的低秩矩阵估计的统一框架，其通用性很强，可应用于噪声和无噪声观测，算法能够线性收敛到未知低秩矩阵的最小最优统计误差，同时也能够以线性速率收敛到未知低秩矩阵，并以最优样本复杂度实现精确恢复。

Oct, 2016

提出了一个凸化框架，使用随机梯度方法的算法来解决不同领域的优化问题，包括监督学习和动态系统，并且导出了模型驱动和模型无关的策略梯度优化算法，收敛性得到保证。

Jun, 2014

该论文提出了一种通用的多类弱监督分类方法，其中引入了一种基于凸松弛的代价函数来解决软最大损失的本地极小问题，于是设计了一种算法来高效地解决相应的半定规划问题，并在不同数据集上表现出较好的效果，包括多实例学习和半监督学习，以及聚类任务。

Jun, 2012

我们提出了一种无监督的贝叶斯训练方法，用于学习具有固定噪声数据集的凸神经网络正则化器，基于双马尔可夫链估计方法。与经典的有监督对抗性正则化方法相比，我们在自然图像高斯去卷积和泊松降噪任务上展示了接近的性能。

Apr, 2024

通过给定的模型类，利用训练数据从学习未知对象的基础问题出发，我们引入了一个统一的框架，该框架允许将对象作为任意希尔伯特空间，具有一般类型的（随机）线性测量作为训练数据，以及一般类型的非线性模型类。我们为这个框架建立了一系列学习保证，并确保训练数据的数量与模型类的属性之间具有明确的关系，以确保接近最佳的泛化界限。通过这样做，我们还引入并发展了模型类关于采样操作的分布的变化的关键概念。为了展示该框架的多功能性，我们展示了它可以包容许多不同类型的感兴趣的已知问题，例如通过随机采样进行矩阵草图，使用各向同性向量的压缩感知，回归中的主动学习和使用生成模型的压缩感知。在所有情况下，我们展示了如何将已知结果变为我们的一般学习保证的直接推论。对于使用生成模型的压缩感知，我们还提出了一些近期结果的推广和改进。总之，我们的工作不仅引入了一种从各种数据类型中学习未知对象的统一方法，还确立了一系列统一的理论保证，巩固和改进了各种已知结果。

Nov, 2023

本文提出利用经验对偶域学习解决受约束的统计学习问题，并使用一种实用的受约束学习算法，在社会、工业和医学领域中实现对学习的显式约束。我们在公平性和对抗鲁棒性方面的速率受限学习应用中说明了这一理论和算法。

Mar, 2021

利用凸松弛技术提出了一个可以减少大规模数据上的推断算法运行时间的计算框架，同时保证推断的精度，为研究者提供了一个利用大数据优势的方法。

Nov, 2012

本文提出一种无模型学习框架来解决无法推导出目标函数或限制条件的优化问题，同时将神经网络用于参数化所需优化的函数、参数化瞬时限制条件相关的拉格朗日乘数以及逼近未知的目标函数或限制条件。数值和模拟结果验证了所提出的框架的有效性，并以功率控制问题作为例子证明了模型无关学习的效率。

Jul, 2019

本文提出了一种新颖的无监督学习框架，能够直接解决鲁棒模型拟合问题，相比之前的无监督学习方法，本方法在多个重要的计算机视觉问题上表现出色，并与传统方法取得了有竞争力的结果。

Mar, 2021