研究了一个关于 “simulate-and-infer” 的通信受限问题，在只要求每个参与者发送少于 log k 比特给中央仲裁者的情况下，寻找利用最少的参与者，对未知概率分布进行推断的最优策略，表明了 simulate-and-infer 策略是最优采样复杂度的，并提出了一个有效的公共硬币通信协议，可以突破身份测试的通信复杂度下界。

Apr, 2018

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

该研究提出了一种基于 Kashin 表示和随机抽样的方案以及利用 Walsh-Hadamard 矩阵的递归结构来实现隐私和通信效率的联合优化编码和解码机制，对平均值估计和频率估计等问题进行了研究。

Jul, 2020

本文提出了一种联合训练和源编码方案，具有可验证的期望保证，通过在条件分布和先验之间施加适当的 Kullback-Leibler 散度约束，同时保证了小的平均经验风险（即训练损失），小的平均泛化误差和小的平均通信成本。

Jun, 2024

本文研究了分布在多个机器上的数据的非参数平滑函数估计问题，其中每个机器上收集了来自白噪声模型的独立样本，并需要在中央机器上构建潜在真实函数的估计值以及在每台机器上限制了传输信息所需的比特数。我们给出了各种设置下统计风险的渐近下限和匹配上限，并且确定了三个不同的区别（通信预算 / 机器数 / 每台机器上可用数据大小），在这些区别中当通信预算很小时，统计风险仅取决于通信瓶颈，而与样本量无关；在通信预算很大的区域内，与非分布式估计的经典极小风险的情况相同；在一种中间机制中，统计风险取决于样本大小和通信预算。

Mar, 2018

本文提供了针对现代统计估计的改进的隐私保护算法和通信效率算法，包括用于估计分布熵的算法和用于通信效率估计基尼熵的算法，并基于现有最佳算法推广了一种用于碰撞熵估计的算法，满足局部差分隐私。

May, 2023

研究了基于随机响应的选择推断，包括两个主要优点：更强大的选择有效检验和选择推断程序的一致估计和弱收敛。提出了一个框架，结合多个随机选择程序后的推断，并在经典渐近设置下进行了重点研究。

Jul, 2015

本文探讨了在分布式环境中统计模式识别的几个不同模型，着重考虑了通信模型和智能学习体系结构对于智能体决策规则和融合规则的影响，同时探索了 Stone 定理在分布式环境中的适用性。

Mar, 2005

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