一种基于机器学习的奇点分解方法
该研究提出了一种新的最小解算器系统性生成方法，通过消除不出现在线性方程的未知数并通过升级实现线性化对完全非线性问题问题的求解，我们成功地提出了三个部分标定相机相对姿态计算问题的更有效解决方案，同时还发现了部分标定相机的基础矩阵的新约束关系。
Mar, 2017
本文研究奉行奇异学习理论（SLT）在变分推断中的重要性，使用 SLT 填补变分推断与下游预测性能之间差异的众多困惑，使用 SLT 修正奇异后验分布的渐近形式以支持变分族设计，并提出了基于谨慎初始化的广义 Gamma 分布的归一化流作为改进方案，相关实验也证实改进的可行性和效果。
Feb, 2023
我们介绍了一种分层分辨率计算的解决方案，使得在时间约束下可以在较早的阶段获得低分辨率的结果，提高了基于截止日期的系统的效果；并且我们的实验结果显示，分层特性增加了满足截止日期的可能性，使得大规模计算具备了适应性和透明度。
Feb, 2024
本文通过解决凸优化问题，展示了如何利用傅里叶采样和半定规划方法以无限精确度解决超分辨率问题，应用到一维的情况中，也可以超分辨率地解决具有分段平滑函数的问题，并且该理论和方法是鲁棒的，能够处理噪声。
Mar, 2012
该论文基于最新的机器学习工具，提供了一种定制的迭代求解器，结合代数多重网格方法和 proper orthogonal decomposition（POD-2G），能够在任意所需精度下，求解大规模参数化问题中的线性方程系统。
Jul, 2022
该研究提出了一种基于 RANSAC 框架求解几何优化问题的方法，通过设计一种学习策略，可以避免计算大量伪解，从而有效地解决了几何优化问题的难点。通过在相对位姿问题中使用该方法，在每个视图中使用四个点进行最小松弛，可以快速精确地计算出相机之间的相对位置。
Dec, 2021
大规模线性规划问题中的预处理程序设计是现代线性规划求解器中最关键的组成部分之一，由于需要专家知识和大搜索空间的广泛需求，如何设计高质量的预处理程序仍然是一项具有挑战性的任务。因此，我们提出了一个简单而有效的强化学习框架（RL4Presolve），通过自适应动作序列生成高质量的预处理程序，从而同时解决了预处理程序的选择、执行顺序和停止准则的问题。通过在不同基准测试中的实验证明，RL4Presolve 显著而一致地提高了解决大规模线性规划问题的效率，特别是在工业领域的基准测试中取得了显著的改进。此外，我们还通过从学习的策略中提取规则来优化线性规划求解器中的硬编码预处理程序，以便在华为供应链中进行简单高效的部署，展示了将机器学习应用于现代求解器中的潜力。
Oct, 2023