通过将 trend filtering 估计与局部自适应回归样条进行比较，发现 trend filtering 估计可以更好地适应平滑度的局部水平，与局部自适应回归样条非常相似，而且在 k 阶可变差分函数的情况下，trend filtering 估计收敛于类较小化速率，从而提供了理论支持。

Apr, 2013

本研究采用趋势滤波构建的加法模型，使每个组件都受其 k​​​​​​​​​​​​​(离散) 导数的（离散）全变差正则化，以得到 k​​​​​​​​​​​​​次片段多项式组件。我们推导出加法趋势滤波估计的快速误差率，表明当基础函数为可加性函数且其组件函数的导数具有有界变化时，这些率是极小化最优的。此外，我们描述了一种新的并行迭代的后调优算法，提高了计算效率，并通过实验证明了加法趋势滤波的优越性。

Feb, 2017

基于离散图差的 L1 范数惩罚，我们介绍了一族图上的自适应估计器。该方法将非参数回归中的趋势滤波推广到图中，相当于 univariate case，它表现出一定程度的局部适应性，也是由一个凸优化问题定义的，可以很容易地通过高效 ADMM 或 Newton 算法进行求解。通过实例和理论，我们展示了图趋势滤波的优点。

Oct, 2014

对于趋势过滤，我们通过将对总变异率的 k-1 阶差异惩罚与最小二乘估计相结合，并使用 “插值向量” 来上界 “有效稀疏度”，为其建立自适应结果。我们证明了 k∈{1,2,3,4} 的结果，并指示了如何导出 k∈$\mathbb {N}$ 的一般情况。

Apr, 2019

文章探讨带有噪声梯度反馈的非平稳随机优化框架，在比较序列变化的动态策略中，研究在线学习算法的动态后悔，并引入了 Total Variation ball 等新颖变分约束来建模比较序列，并基于基于小波的非参数回归理论，设计出一个多项式时间算法，并证明了该算法达到了几乎最优的动态后悔，该策略适应未知的半径。

Sep, 2020

在高维离散空间中，假设函数具有有限的总变异性，本文通过导出最小化 (平方) L2 估计误差率，表明了：总变异性去噪（融合拉索）优于拉普拉斯平滑和拉普拉斯特征图等较简单的估计器。

May, 2016

本文提出了一种用于趋势过滤的快速而稳健的算法，能够达到最小化最优误差率并提高数值稳定性，有利于更广泛的实际应用。

Jun, 2014

本文提出一种基于鲁棒统计和稀疏学习的趋势过滤算法，采用 Huber 损失压制离群值并利用一阶和二阶差分组合作为正则化以捕捉缓慢和突变的趋势变化，通过主元最小化与多项式替代方向法设计出有效的方法来解决鲁棒趋势过滤，实验证明该算法优于其他九种最先进的趋势过滤算法。

Jun, 2019

本文提出一种针对噪声干扰下低秩数据矩阵恢复的无偏风险估计方法，特别是针对奇异值阈值软阈值规则（SVT）进行了风险估计，为一系列问题中的正则化参数选择提供了有机而自动化的方法，该方法可用于真实临床心脏 MRI 系列数据的 SVT 降噪，同时提出了某些矩阵值函数的可微性新结果。

Oct, 2012

高度表达的参数模型，如深度神经网络，在建模复杂概念方面具有优势，但这种高度非线性模型的训练已知存在高风险的过度拟合问题。为了解决这个问题，本研究考虑第 k 阶总变差（k-TV）正则化，该正则化定义为被训练的参数模型的 k 阶导数的平方积分，对 k-TV 进行惩罚有望产生更平滑的函数，以避免过度拟合。虽然应用于一般参数模型的 k-TV 项由于积分而具有计算上的困难，但本研究提供了一种随机优化算法，可以在不进行显式数值积分的情况下高效训练具有 k-TV 正则化的一般模型。所提出的方法适用于结构任意的深度神经网络的训练，因为它只需使用简单的随机梯度下降算法和自动微分即可实现。我们的数值实验表明，采用 K-TV 正则化训练的神经网络比传统参数正则化训练的神经网络更 “弹性”。所提出的算法还可以扩展至神经网络（PINNs）的物理知识训练。

Aug, 2023