文章提出了一种基于中位数的方法对样本数据进行操作，构建了一种新的模型 MOM minimizers，相比经典的样本经验风险最小化方法，在处理分类问题上更具有鲁棒性，在满足样本具有有限的二阶矩条件下，得到了 Vapnik（慢速）收敛率，在此基础上提出了一种基于 MOM minimizers 的算法， 通过有效的子采样，减少了非线性算法的计算时间和内存使用， 文章还利用模拟和真实数据对该算法做了详细的实验表现。

Aug, 2018

该文提出了一种使用 VC-dimension 的方法来测量统计复杂性的新型通用方法，从而使得 MOM 估计值的超额风险得到限制，其中应用该方法得出的鲁棒稀疏估计器实现了所谓的次高斯速率并且最多只需要假设非污染数据拥有有限的二阶矩。同时，该技术还可用于导出多种新的鲁棒次高斯边界，包括任何范数下的均值估计和协方差估计中的使用。

Apr, 2020

通过整合基于模型和基于质心的方法，提出了一种高效且自动的聚类技术，解决噪声对聚类质量的影响，并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证，表明我们提出的方法优于现有先进聚类算法。

Nov, 2023

该研究提出了一种新型的鲁棒梯度下降算法，采用直接对观测值施加平滑的乘性噪声，构建软截断梯度坐标之和的方式，使其具有与传统方法相当的理论保证和更高的数据分布类别广泛性能。

Oct, 2018

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

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

提出了一种新的贝叶斯分析方法，其在数据中有很强的鲁棒性，通常比传统方法具有更好的计算性能。该方法将数据分成非重叠的子组，评估每个独立子组得到的后验分布，然后组合结果。该方法的主要创新点是提出了一个基于概率度量空间中中位数的聚合步骤，提出了一种适合于快速高效评估的距离集合。我们提供了理论和数值测试结果，展示了我们的方法所取得的改进。

Mar, 2014

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

本文提出了一类新的分布式统计估计算法，利用分治策略实现，表明分治策略的一个关键利益是健壮性，并建立了这些分布式算法的性能与正态逼近的收敛率之间的联系，并证明了非渐近偏差保证和极限定理，针对中位数估计和最大似然估计进行了例证和性能保证

Apr, 2017

提出了基于中心的聚类算法的鲁棒框架 Median-of-Means，其在形式上覆盖了多种常见的聚类变体，其强一致性和误差率的阈值能够超过文献中已知的最佳结果，同时实验证明其在真实和合成数据集上具有很好的表现，同时还得到了一致的集中度界限。

Oct, 2021