提出了一种在不强加限制性假设的情况下构建协方差估计器的原则方法，通过最小化与接近名义分布的所有数据分布相关的最坏情况 Frobenius 误差来研究分布鲁棒协方差估计问题，证明了鲁棒估计器的有效计算性、渐近一致性和有限样本性能保证，并通过合成 Kullback-Leibler、Fisher-Rao 和 Wasserstein 散度的显式估计器来说明这一通用方法。基于合成和实际数据的数值实验表明，我们的鲁棒估计器与最先进的估计器具有相竞争的性能。

May, 2024

本文针对 SIRV 或复合高斯过程的高维协方差估计问题，提出收缩方法，包括使用一个简单、闭合和数据相关的选择来定位收缩系数，模拟表明该方法具有低的估计误差并且对重尾样本具有较好的鲁棒性，最后在无线传感器网络的活动 / 入侵检测中展示了该方法的性能。

Sep, 2010

提出了一种基于 Wasserstein 模糊集的分布鲁棒的最小均方误差估计模型，该模型可以被视为一个零和博弈，其中一个统计学家选择估计器，另一个虚构对手选择一个先验，通过最小化和最大化预期的平方估计误差来实现其目标。

Nov, 2019

研究分布鲁棒平均误差估计问题，提出分布鲁棒 Kalman 滤波器以对抗模型风险，使用非凸的 Wasserstein 不确定性集合中的正态分布，通过可行的凸规划以 Frank-Wolfe 算法计算方向搜索子问题的解。我们展示了最优估计器和最不利分布构成了一种纳什均衡。

Sep, 2018

本文研究表明多个机器学习评估器，包括平方根 LASSO 和正则化逻辑回归，可以表示为分布鲁棒优化问题的解决方案，其相关的不确定区域基于适当定义的 Wasserstein 距离。因此，我们的表示使我们能够将正则化视为引入人为对手的结果，该对手扰动经验分布以考虑损失估计中的样外效应。此外，我们引入了 RWPI（Robust Wasserstein Profile Inference），这是一种新颖的推断方法，它将启发式似然性方法的使用扩展到最优传输成本的设置中（其中 Wasserstein 距离是一个特殊情况）。我们使用 RWPI 展示如何最优地选择不确定性区域的大小，从而能够选择这些机器学习评估器的正则化参数，而不使用交叉验证。数值实验也给出了验证我们理论发现的结果。

Oct, 2016

提出协方差对齐模型以研究和比较各种对齐方法，并建立一个非标准维度缩放的最小最大下界，该下界通过自然准最大似然估计取得，但该估计涉及计算不可行的排列搜索，为了克服这个限制，证明了崇高 - 瓦瑟斯坦算法的最小最大最优性。这些结果为实践中使用 Gromov-Wasserstein 算法提供了首个统计学上的理论依据。

Nov, 2023

在对抗性环境中，考虑利用计算上高效的估计器最小化 Wasserstein 距离，并开发具有有界误差的有限样本算法，用于鲁棒性随机优化。

Jun, 2024

提出一种构建稀疏估计器的方法，用于高维背景下的逆协方差（浓度）矩阵，使用罚函数正态似然方法强制使用 Lasso 型惩罚，并在数据维数 $p$ 和样本量 $n$ 随着增长收敛速率之间建立 Frobenius 范数。同时对真实浓度矩阵进行稀疏度量，提出一种基于相关性的方法，在操作规范下具有更好的收敛速率，推出一种快速迭代算法用于计算估计值，利用常用的 Cholesky 分解反演，得到一种置换不变的估算法，文中将这种方法应用于癌症组织分类的基因表达数据上，并与其他估算方法进行了比较。

Jan, 2008

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

提出一种新的非参数假设检验框架，基于分布鲁棒优化，考虑接近经验分布的分布，旨在最小化最坏情况下的性能，具有较好的鲁棒性，应用于健康护理、在线变点检测和异常检测等领域，实验结果表明方法性能优越。

May, 2021