本文研究了分布式推理中的分布学习和身份测试问题，提出了一种使用私有硬币通信协议的普适性模拟和推断策略，并探讨了共享随机性作为一种资源的作用。设计了一种优于模拟和推断的公共硬币协议，并通过随机哈希最小化样本的卡方距离来实现分布测试。

May, 2019

本文研究一个多个玩家协作下的信息收集与分析的协议，其中信息传输的通道对于推断过程和样本复杂度有着显著的影响，并通过引入卡方距离和其它量度以得出更为准确的样本复杂度下限。

Dec, 2018

研究如何在分布式网络中学习高维、非参数和结构化（如高斯）分布，并考虑不同通信模型（包括独立、顺序和黑板模型）的交互限制对于最小化风险和 Fisher 信息的影响。

Feb, 2019

在非独立同分布的样本情况下，研究子线性样本属性测试和估计在哪些情形适用；给定一组分布，考虑学习或测试平均分布的属性，在某些情况下需要 $\Theta (k/\varepsilon^2)$ 样本；对于均匀性或相似性的测试，给定 $c=1$ 个样本，需要线性数量级的 $k$ 样本；$c \geq 2$ 时，恢复了独立同分布的亚线性样本测试，需要 $O (\sqrt {k}/\varepsilon^2 + 1/\varepsilon^4)$ 样本，且在 $c=2$ 的情况下，即使是线性数量级的 $\rho k$ 样本，也不能进行均匀性测试。

Nov, 2023

本文研究了高维分布统计估计问题的统计误差和通信成本之间的权衡，并提供了分布式稀疏高斯均值估计问题的紧密的权衡分析结果，这直接导致了分布式稀疏线性回归问题的下界，并给出了在稠密情况下均值估计的第一个最优同时协议。

Jun, 2015

在分布式网络中进行参数估计，考虑每个传感器从基础分布中观察独立样本并具有 $k$ 位通信其样本到集中式处理器，该处理器计算所需参数的估计值。我们为一类广泛的损失和分布模型开发极小化风险的下界，并表明在温和的正则条件下，当 $k$ 较小时，通信约束将使有效样本量减少 $d$ 倍，其中 $d$ 是被估计参数的维数。此惩罚随着 $k$ 的增加而以最多指数级别降低，这对某些模型如高维分布估计成立。对于其他模型，我们表明样本量的减少是与 $k$ 线性递减的，例如，当一些次高斯结构可用时。我们将结果应用于具有乘积 Bernoulli 模型、多项式模型、高斯位置模型和逻辑回归的分布式设置中，从而恢复或加强现有结果。

Feb, 2018

通过新的直接求和定理，我们解决了数据流模型中估计频率矩阵和其它问题时的基础问题，并通过改进算法显著提高了界限。

Dec, 2011

研究了在分布式学习中，如何在总通信次数亚线性的情况下通过镜像下降与随机稀疏化 / 量化迭代相结合的算法来实现线性模型的最优误差学习，从而探讨了高维环境下分布式学习的可行性。

Feb, 2019

本文研究了在两个物理平台上用局部量子操作和经典通信估计两个未知状态的内积的分布式量子内积估计任务，并证明了它的最小样本复杂度。

Nov, 2021

通过分析布尔函数的性质，本研究得出当一个分布是有限域上的分布且另一个是 $2×2$ 分布时，非交互模拟问题是可判定的，并且可以借助不变性原理和正则化引理来确定样本数的收敛边界。

Jul, 2016