提出了一种高效的算法用于解决在高噪声和污染水平下的群组同步问题，并侧重于旋转同步；使用基于消息传递算法的方法来估计群组比率的污染水平和一种基于加权最小二乘法的新算法来估计群组元素，其中权重是使用估计的污染水平初始化并迭代更新的；在合成数据和实际数据上展示了我们的算法相对于最先进的旋转同步方法的卓越性能。

Jul, 2020

提出了一种新的二次规划公式，用于估计组同步中的数据损坏程度，并使用这些估计值来解决此问题。该方法利用了组的循环一致性，并将其称为结构一致性的检测和估计（DESC）。该公式具有多种优点，例如可以容忍高达信息论界限的数据损坏，不需要好的初始化，具有简单的解读，并且在一些温和的条件下，我们的目标函数全局最小值恰好恢复数据损坏程度。我们在旋转均值的合成和真实数据实验中展示了该方法的竞争准确性。

Jun, 2022

通过采用来自表示理论的思想并结合于统计物理中标准但非严谨的方法，我们提出了一种高效的迭代算法，用于解决利用多个 “频道”（傅里叶模式或更一般的群表示）对紧致群上的同步问题进行测量的大类问题。

Oct, 2016

该研究提出了一种改进的算法，MatchFAME，用于估计观察到的偏部分置换的损坏水平，并实现了不需要谱初始化的非凸加权投影功率方法，证明在对抗性损坏下，CEMP-Partial 能够精确分类损坏和清洁的部分置换。

Mar, 2022

本文介绍一种解决几何估计中同步问题的算法，通过基于半定松弛的最大似然估计得出全局最优解，该算法可以在非对抗噪声情况下高效恢复可认证的全局最优解，并在大规模实例上使用低维黎曼曲面与特殊优化方案实现了优化问题的求解。

Nov, 2016

基于数据驱动优化的替代消息传递算法，可在环形图上实现更好的表现和性能，适用于各种科学领域，并且还开发了一种新型损失函数以实现无监督训练。

Jun, 2023

该研究探讨了在多重网络中识别社区的问题，当节点之间的相互作用由相似度的符号（可能加权）度量时，可以考虑使用谱算法或消息传递算法，特别是当节点之间存在特定子集表示相同未知的群元时，以及对应的噪声测量的情况下。在应用中，研究者成功地将所提议的方法应用于美国国会中两个政党的识别，即民主党和共和党。

Apr, 2015

本文提出了一种算法，用于在恶意干扰下检测包含损坏节点的随机模型中的社区结构，并在 $Z_2$ 同步问题中实现了最优恢复阈值。借助关键的可识别性证明和 Grothendieck 范数的推动效应，该算法突破了 Kesten-Stigum 阈值的技术瓶颈。

May, 2023

该研究提出了一种基于特殊正交群上的同步问题，该问题包括从它们成对比率的噪声测量中估计一组未知的旋转。它的最小二乘解可以通过谱松弛或半定规划来近似，其具有类似于 Max-Cut 的近似算法。该研究通过提出偏差平方和的罚函数来弱化其次方项，并引出了一种求解该问题的凸优化方法，同时在特定噪声模型下，证明了其稳定性并得到了相位转变行为的模拟结果。

Nov, 2012

使用图神经网络及迭代更新的方法实现了对相机位姿转换的同步，并具有较好的鲁棒性和抗干扰性。

Nov, 2021