通过使用硬阈值化的新颖变体，本文提出了一种快速的鲁棒估计器，可以有效地解决使用响应变量损坏的鲁棒线性回归问题，并通过应用于不同的扰动模型，展示了其估计能力的稳健性。
Mar, 2019
研究高维稀疏估计任务中的鲁棒性问题，提出使用基于谱技术的迭代式方法消除数据中的离群值，实现高效稳健的稀疏均值估计和稀疏主成分分析。
Nov, 2019
研究高维稀疏回归的非随机误差问题，并开发算法来支持恢复，实验展示了标准异常值过滤技术、稳健回归算法、处理随机噪声或擦除的算法不能提供支持恢复的保证。
Jan, 2013
本文首次给出了一个多项式时间算法，用于在示例和标签中对抗性堕落下执行线性或多项式回归，并基于 SoS 方法提出了一种自然的凸松弛方法来解决非凸优化问题。
Mar, 2018
本文研究在高维度及受到恶意破坏性干扰情况下，稀疏估计任务能否有效地完成，并提供了一些在存在噪音的情况下，提供非平凡误差保证的有效算法。研究表明，在这些问题上存在着计算与统计之间的差距。
Feb, 2017
研究了高维线性回归在对抗性污染下的稳健模型问题，并针对从高斯分布生成的未被修正的样本的基本情况给出了几乎最紧的上界和计算下界。
May, 2018
高斯稀疏估计在 Huber 污染模型中研究，针对均值估计、主成分分析和线性回归三个任务，提出了第一个样本和计算高效的鲁棒估计器，保证了较小的误差，并且在常数因子内达到最优。之前针对这些任务的高效算法都产生了数量上次优的误差。具体而言，对于高斯的鲁棒 k 稀疏均值估计在具有污染率为 ε>0 的 R^d 上，我们的算法具有样本复杂度为 (k^2/ε^2)・polylog (d/ε)，在多项式时间内运行，并且在 L2 误差为 O (ε) 的范围内逼近目标均值。之前的高效算法固有地产生了误差 Ω(ε√log (1/ε))。在技术层面上，我们开发了一种在稀疏情况下的新型多维过滤方法，可能具有其他应用。
Mar, 2024
使用修正的修剪内积算法，即使在存在任意和对抗性数据攻击的情况下，我们也可以在在线场景中稳健地估计协方差。我们提出了一种在线算法来估计稀疏逆协方差（即精度）矩阵，尽管存在数据损坏。我们提供了算法对真实精度矩阵的估计的误差界和收敛性质。
Sep, 2023
本文研究了协方差矩阵的估计问题，当仅有小部分样本被恶意更改时，我们提出了一种运行时间接近计算经验协方差且具有最佳误差保证的算法，该算法适用于高维分布，能处理高斯分布等深度分布结构及矩阵乘法指数中的病态情形。
Jun, 2019
稀疏均值估计算法在存在对抗性异常值的情况下的研究，提出了一种在次二次时间内运行的鲁棒稀疏均值估计算法，并在检测弱相关性方面取得了算法进展。