我们提出了一种基于 PAC 学习的随机效用模型（RUM）的新学习算法，通过使用分层消除和基于两两相对比较的临界统计值进行训练，可以在 O (n/(c^2ε^2) log (k/δ)) 轮内识别出一个具有 ε 优异度的项，其中对于足够敏感于项参数之间的差距 c 的 RUM 的最差情况下双方优势。

Feb, 2020

本文研究了具有特征和它们的混合的随机效用模型（RUMs），提出了一种广义的 RUM 模型，来生成不完整的偏好，证明了当带有特征的 Plackett-Luce 模型可识别时，其最大似然估计是一致的，并且该模型在合成数据和真实数据上具有较高的预测能力。

Jun, 2020

该论文介绍了 RUMBoost 模型，这是一种新的离散选择建模方法，它结合了随机效用模型（RUMs）的可解释性和行为鲁棒性与深度学习方法的泛化能力和预测能力。

Jan, 2024

本文探讨了基于参数化建模的 {General Random Utility Models (GRUMs)}，并基于贝叶斯实验设计的原则提出了两种 GRUMs 的偏好引导方案，其中之一适用于社会选择，另一种适用于个性化选择。我们还结合 Monte-Carlo-Expectation-Maximization (MC-EM) 方法提出了一种进行 GRUMs 下的 MAP 推断的算法。同时，我们证明了一类 GRUMs 的似然函数单峰性，并通过实验研究的性能表现证明了所提出引导方案提高了估计的精度。

Sep, 2013

本文基于 Sum of Squares 方法，探讨了用于高维下学习高度分离的高斯混合物和鲁棒均值估计的新有效算法，进一步优化了以往算法的统计保障。通过在高度分离的高斯混合物和穿插噪音后的子高斯分布上实现均值估计，我们的方法多次突破优化算法的极限。

Nov, 2017

本文探讨了在隐私保护下进行离散分布估计的机制，提出了一种新的哈希 K-ary 随机响应（KRR）机制，并证明其与已有机制相比，在所有隐私级别上都可以实现更优的效果。同时，本文还探究了 KRR 和已有的 RAPPOR 机制在不同隐私保护级别下的效果与顺序最优性。

Feb, 2016

本研究提出了一种新颖灵活的基于排名打破的复合边际似然 (RBCML) 框架，用于学习随机效用模型 (RUMs)，包括 Plackett-Luce 模型，并利用证明严格对数凹性在卷积和边际化下得以保持的方法，表征了 RBCML 的目标函数为严格对数凹性的条件，进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。在合成数据上进行的实验表明，高斯 RUMs 的 RBCML 比最先进的算法的统计效率和计算效率更好，而我们针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。

Jun, 2018

研究了从不可信批次中学习的问题，通过采用基于求和平方层次结构的算法框架，提出了在具有形状先验知识的情况下，在自然分布类中降低样本复杂度的解决方案。

Nov, 2019

介绍了带有随机选择模型（RUM）的相关偏好赌博问题，研究了具有简单相关结构的模型是否可以实现更快的学习率，提出了一类新的基于块排序的 RUM 模型，证明了利用子集查询相比于成对查询有更大的优势，后者不能很好地利用相关性。

Feb, 2022

研究在不知道估值分布的情况下为潜在买家设定价格的问题，并证明不同分布类型所需的样本数量及最优价格策略，为拍卖领域提供参考。

Jul, 2014