设计在线算法，利用机器学习预测，以超越最坏情况范例，解决各种实际相关在线问题（如调度、缓存、聚类、滑雪租赁等）。通过研究设计具备多个专家的在线算法，以超越静态最佳专家的贪心基准。在新的动态基准中提出了具有 O（log K）性能保证的竞争算法，其中 K 是专家数量，适用于 0-1 在线优化问题。此外，我们的多专家方法提供了一种在线组合多个在线算法的新视角，这是在线算法研究社区长期的核心主题。

Dec, 2023

本文阐述了一种基于多种算法或预测器的学习增强在线算法技术，通过针对在线问题的分析，设计出与动态组合相竞争的算法，能够在多种预测器之间切换，具有灵活性和实用性。

Apr, 2023

本文研究具有预测的在线图形问题，提出了一个新的度量误差的定义 (metric error)，并给出了一个通用框架，用于在线预测算法。采用这个框架，我们能够获得关于竞争比率的紧密限制，并将其作为度量误差的函数来描述。

Dec, 2021

介绍了一种算法设计范例 —— 基于学习预测器的算法，将在线学习技术应用于预测器学习、调整鲁棒性 - 一致性折中并绑定样本复杂度，在构建优美的预测器的同时，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，且提供了第一批基于学习理论的担保。

Feb, 2022

如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

Oct, 2023

通过对原​​始双重算法的扩展，将预测信息加入在线算法中，并在多种特定领域采用新算法，与真实及预测的方案相比，当预测准确时优于任何在线算法，但同时可保持当预测误导时的良好保证。

Oct, 2020

研究如何将机器学习预测融入在线算法以提高性能，并提供非平凡的下界来衡量竞争分析的最优权衡.

Oct, 2020

在线背包问题的学习增强算法通过使用简洁的预测信息，在无传递完美预测和有限完美预测两种情况下，设计了能够提高算法性能的算法，并在实验中表现优于基线和复杂预测模型的算法。

Jun, 2024

本文提出了适用于任意度量任务系统（MTS）（例如缓存、k-server 和凸体追逐）和在线匹配的预测模型，并利用在线算法理论的结果来展示如何使模型更具鲁棒性，其中特别针对缓存问题，本文提出的算法相对于一般 MTS 问题可使得其性能的预测误差表现成指数级别提升。最后，我们使用实际数据集对所提出的方法进行了实证评估，并得出实用性较好的结论。

Mar, 2020

利用机器学习模型从过去和现在的数据中获得的预测，近期算法设计的先进方法已经显示出提高性能的潜力，并在预测失败时提供最坏情况保证，本文研究在线问题，着重于将学习问题与算法挑战相互整合，并设计了专为所需算法任务而量身定制的在线学习算法，通过细致设计的明确学习算法提出了优化总体性能的新算法，并证明了我们方法的潜力通过改进以前研究中建立的性能界限。

Mar, 2024