文章提出了一种基于中位数的方法对样本数据进行操作，构建了一种新的模型 MOM minimizers，相比经典的样本经验风险最小化方法，在处理分类问题上更具有鲁棒性，在满足样本具有有限的二阶矩条件下，得到了 Vapnik（慢速）收敛率，在此基础上提出了一种基于 MOM minimizers 的算法， 通过有效的子采样，减少了非线性算法的计算时间和内存使用， 文章还利用模拟和真实数据对该算法做了详细的实验表现。

Aug, 2018

使用中位数估计器介绍了一种新的鲁棒机器学习估计器，能够在最小数据集假设下实现最佳收敛率，这一方法通过分析异常值而得出。该研究提出一个新的断点概念，该断点数量考虑了估计器的统计性能，同时提高了算法的可实现性。

Nov, 2017

本文提出基于中位数均值的算法用于压缩感知中估计高维向量，具有重尾或异常值数据的鲁棒性，同时理论结果表明该算法在次高斯假设下具有与经验风险最小化相同的样本复杂度保证。

Jun, 2020

本论文利用半定规划松弛和高维中位数，首次提出了一种多项式时间算法，能在有限均值和协方差的假设下估计具有重尾分布的多维随机向量的均值，并实现亚高斯置信区间。

Sep, 2018

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

在研究中，我们发现对于任何分布，没有合理的估计器能够在渐近情况下超过次高斯的误差率，匹配最坏情况的结果。我们引入了一个新的定义框架来分析算法的细粒度最优性，称之为 ' 邻域最优性 '，其中介于 ' 实例最优性 ' 和' 可接受性 ' 定义之间。

Nov, 2023

本文介绍了一种基于 Median-of-Means 方法和 Semi-definite Programming 的算法，使用时并不需要先验知识，能够高效处理大数据，包含异常值和重尾数据等，稳定性强，能达到次高斯速率

Jun, 2019

本研究介绍了一种基于多元中位数的新估计方法，能在随机向量的二阶矩存在的条件下达到纯亚高斯性能。

Feb, 2017

提出了一种估计随机向量均值的估计器，时间复杂度为 $O (n^4+n^2d)$，其误差界限符合亚高斯分布。与 Hopkins（2018）介绍的基于二次项和谐级数的多项式时间估计器一样，在具有有限均值和协方差的数据分布方面，效率最高，但运行时间更快，分析更简单。

Feb, 2019

研究估计具有有界平均值和协方差的重尾随机向量均值的算法问题，提供了一种基于谱方法的算法来解决该问题，并且只需要计算近似特征向量，取得了最优的统计性能和更快的运行速度。

Aug, 2019