提出一种在竞争性情况下能够保证精确复原的非凸算法，它具有计算效率更高的额外优势，可应用于无线通信中的物联网。

Mar, 2017

提出了一种近似正则化路径追踪方法，用于求解许多具有非凸问题求解的学习问题，该算法迭代复杂度与全正则化路径相同，可以同时提供统计和计算收敛率的显式表达式，并可以实现全局几何收敛，以及对于所有近似局部解的样本复杂度分析和精确支持恢复结果。

Jun, 2013

对于大部分基于凸优化的统计 $M$- 估计器，我们分析了解决这些问题的渐进收敛速度，并在高维框架中工作，我们定义了适当限制的条件，并证明了这些条件适用于各种统计模型，我们的理论保证了项目的概率几何收敛速度不断提高，最高可达到模型的统计精度，这个结果比以往收敛结果更加尖锐，这适用于 $M$- 估计器和各种统计模型，展现了高维估计中统计精度和计算效率的有趣联系。

Apr, 2011

本文探讨了应用于无惩罚最小二乘回归问题的梯度下降方法的隐式正则化方案，旨在从线性测量的过少的系统中重构出一个稀疏信号，考虑到受限等距假设，我们展示了有一定参数下，预设好的初始化、步长和停机时间能给出一个在统计和计算上都是优的算法，可以在费用与读取 poly-logarithmic 因子的数据一样的代价下，实现极小化率。除了最小化控制，我们还展示了当信噪比足够高时，算法会适应实例的困难度并产生一个与维度无关的率。实现算法的关键是一个逐渐增加的步长方案，根据对真实解的精细估计进行适应。我们通过数值实验验证了我们的发现并将我们的算法与显式 Λ1 惩罚进行了比较。从难实例到容易实例，我们看到我们的算法经历了一个相变，最终与具有真正的支持知识的最小二乘拟合器匹配。

Sep, 2019

本文介绍了如何通过改进梯度下降的技术和方法，将矩阵填充的采样率由 O (poly (条件数)*mu^3*r^3*log^3n/n) 降低至 O (mu^2*r^2 * 条件数 ^14*log (n)/n)，并且这些技术和方法在改善其他相关问题的分析方面也具有潜在的用处。

Jan, 2019

本文研究了相位恢复问题，并提出一种基于随机梯度下降的方法，可以从任意初始点收敛，证明了其有效性并应用于单指数模型的求解，并提出了新的随机过程理论中的概念，可以用于更广泛的非凸优化领域。

Oct, 2019

我们研究了高斯相位恢复问题中的加速优化方法，证明了带 Polyak 或 Nesterov 动量的梯度方法具有与梯度下降类似的隐式正则化能力。这种隐式正则化确保算法保持在一个良好的区域，其中成本函数在一般情况下是非凸的，但强凸和光滑的。这确保了这些加速方法比梯度下降方法实现更快的收敛速度。实验证据表明，实践中加速方法比梯度下降方法收敛更快。

Nov, 2023

通过矩阵分解和投影梯度下降算法解决约束最优化问题，提供了一种通用理论框架，当给定适当的初始化时，可以几何级数地收敛到具有统计意义的解，适用于许多具体模型。

Sep, 2015

本文提出了一种基于次梯度方法的新型迭代正则化形式，经过实验迭代停止可以实现广义化。在再生核希尔伯特空间的非参数设定下，我们证明了在一般正则条件下的有限样本损失风险界。本研究提供了一类高效正则化学习算法，并给出了统计学和优化学在机器学习中相互作用的见解。

Mar, 2015

本文研究了使用梯度下降法（Wirtinger flow）求解二次方程组的问题，特别是相位恢复问题，证明了在高斯设计下，使用基本的梯度下降法可在 O (log n+log (1/ε)) 次迭代中给出接近最小化采样复杂度的 Epsilon - 精确解，而不需要特别设计的初始值、采样分裂或复杂的鞍点逃逸方案。

Mar, 2018