本文提出了一个适用于广泛条件下的固定参数可处理算法，用于解决多重线性回归模型问题，并实现全局收敛和样本复杂度的 nearly 线性缩放。

Feb, 2018

本文提出了一种基于谱技巧和‘镜像’技巧的简单方法，用于解决由 k 个线性分类器组成的回归函数的判别学习问题，并证明了该方法在特征向量分布服从概率假设下具有近乎最优的统计效率。

Nov, 2013

本文研究混合线性回归在预测误差上的问题。我们提出了一种预测方法，其中模型预测一个值列表，而不是预测标签。我们证明了使用最小化所有组件模型的损失所定义的损失函数可以实现小概率的预测误差。此外，我们提出了基于交替最小化的算法，实现了在不需要假设可实现模型的情况下找到最佳拟合线。

May, 2022

在高维情况下，使用平滑分析方法可以在多项式时间内使用多项式数量的样本学习带有随机扰动参数的高斯混合模型，通过利用高斯分布的高阶矩的组合结构并推导其对称性，探索新的高斯混合物的时刻张量的分解方法以及构建结构化随机矩阵的奇异值的下界。

Mar, 2015

本论文研究线性回归问题并提出了一种新的算法，它能够在存在离群值的情况下，对有限矩（至 $L_4$）的样本进行最佳的次高斯误差边界估计，并且通过使用谱方法研究了线性回归问题与最远超平面问题之间的关系，同时引入了第三个经验过程进行统计学属性的研究。

Jul, 2020

该论文提出了一种基于高斯混合模型的数据学习算法，可用于密度估计、数据聚类、高斯混合参数估计等问题，同时考虑了高维情况下的实际问题。

Apr, 2010

本文研究了混合线性回归模型的在线识别和数据聚类问题，引入了两种基于期望最大化原理的相应的新的在线识别算法，证明了这两种算法都在不依赖传统的独立同分布数据假设的情况下全局收敛。在分析中的一个关键步骤是建立相应微分方程的稳定性以应用著名的 Ljung 的 ODE 方法，同时还证明了在已知参数的情况下，簇内误差和新数据被正确分类到簇中的概率渐近地与之前相同。最后，通过数值模拟验证了我们在线算法的有效性。

Nov, 2023

本文提出一种新的基于低秩线性回归和张量幂法的计算高效且具有保证一致性的鉴别性潜变量模型估计方法，该方法在混合线性回归模型中被验证其收敛性能优于局部优化 EM 算法。

Jun, 2013

通过利用任务之间的相似性，甚至用较小的任务来弥补缺少大规模数据任务的不足，提出了一种鲁棒的基于谱方法的算法，同时具备对异常值的鲁棒性和优良的统计折衷。

Jun, 2020

本文研究稀疏线性回归的混合模型，提出了基于混合着色、编码理论和统计推断的新算法，实现了低样本和计算成本下的参数向量估计。

Mar, 2017