该研究论文提出了一种置信度序列方法，可用于跟踪任何完全排序集合上的分布分位数，同时提供了新的经验分布函数的集中不等式，并在多臂老虎机框架中提供了选择玩家的新算法和样本复杂度边界。

Jun, 2019

论文介绍了一种新的低 Tucker 秩逼近张量的算法，该算法采用随机线性映射来获得捕捉每个模式内重要方向及模式间交互的草图，并且可以通过流式数据或对张量进行一次传递来提取草图，同时它的存储量取决于 Tucker 逼近输出中的自由度，该算法不需要对张量进行第二次传递，但是它可以利用另一个视图来计算更好的逼近，该论文提供了关于逼近误差的严格理论保证，广泛的数值实验表明，该算法产生了能够改进流式 Tucker 分解技术的有用结果。

Apr, 2019

本文介绍一种在线算法，用于计算排名统计的逼近值，其精度较高，尤其是在分布的尾部附近，可使用非常小的草图。该算法还允许基于 $max (q, 1-q)$ 相对精度而不是绝对精度计算分位数，对于偏斜分布或排序数据集具有鲁棒性，并允许单独计算的摘要合并而不会损失精度。此算法的 Java，Go 和 Python 独立实现也可从作者处获得。

Feb, 2019

该研究提出了一种名为 Precision Sampling 的概率性方法来解决一系列数据流算法问题，包括向量构图、重量估算以及求不同范数的估值，同时也能够很好地解决估值的精度问题。

Nov, 2010

提出一种随机算法来处理大规模数据量的分位数回归问题，该算法在近线性时间内计算给定分位数回归问题的（1+ϵ）近似解，并计算量子回归损失函数的低失真子空间保持嵌入。

May, 2013

通过使用平滑技术，本文提出了一种加速方法，旨在解决网络规模的局部目标函数缺乏光滑性时导致的收敛速度慢和可扩展性差的问题，以实现具有分布式凸优化的多元集合下的前 k 个元素选择。

Jun, 2024

提出了一种高度有效的算法，该算法能够学习近似于分段多项式密度函数的单变量概率分布，并应用于密度估计问题，涉及混合对数凹分布、混合 $t$ 峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合 $k$ 单调密度等问题。

May, 2013

提出一类适用于每个大量组的算法（每组仅需使用一个或两个单元的内存），用于计算其相应量化数，该算法能够快速地在随机数据流中找到并保持在设定接近值周围。作者通过实验表明，该算法和使用更多空间的算法一样有效，但是算法已具有大规模实际应用的可行性，且使用两个单元内存的算法比使用一个单元内存的算法快得多。

Jul, 2014

提供了最小 L1 - 范数插值器的预测误差的匹配上下界，实现了噪声下最小范数插值的渐进一致性，这是第一篇研究针对等向特征和稀疏真相的文献，补充了关于最小 L2 - 范数插值的 “良性过拟合” 的文献，当特征是有效低维时，才能实现渐进一致性。

Nov, 2021

本条研究提出了史上首个可查询到数据集中最近邻居的亚线性内存草图，并利用局部敏感哈希（LSH）估计器、在线核密度估计和压缩感知相结合来实现稳定查询的子线性内存性能，以取得内存 - 精度权衡的理论效果。

Feb, 2019