研究了基于 Nesterov 的对偶平均算法的随机优化算法，在预期损失是强凸的且最优解是（近似）稀疏的问题上进行优化，证明了在局部 Lipschitz 损失下，在 T 轮迭代后，我们的解决方案的误差最多为 O（（slogp）/T），并确立了我们的收敛率是最佳的，且在数值模拟中通过对最小二乘回归问题进行几个基准线的比较，证实了我们方法的有效性。

Jul, 2012

本文研究基于对数凹概率分布的采样任务，首先建立了该最小化问题的强对偶结果，然后使用该结果研究了投影 Langevin 算法的复杂度，结果表明 Proximal Stochastic Gradient Langevin 算法的复杂度优于 Projected Langevin 算法，尤其是目标分布为强凸时。

Jun, 2020

本文针对随机凸优化问题，提出了局部复杂度度量，并给出了与优化固有几何概念相对应的统计难度的收敛结果。基于 Nesterov 的对偶平均方法和 Riemannian 方法，开发出完全在线的适应性最优收敛算法，实现了函数特定的下界和收敛结果，并对约束鉴别和线性约束与非线性约束等方面做了探讨。

Dec, 2016

本文提出了一种可扩展的随机主化最小化方案，能够应对大规模或可能无限的数据集，解决凸优化问题，并开发了几种基于此框架的有效算法，包括一个新的随机近端梯度方法，用于大规模 l1 逻辑回归的非凸稀疏估计的在线 DC 编程算法和解决大规模结构矩阵分解问题的有效性。

Jun, 2013

该论文研究了一种简单估计技术在重尾分布下提供指数集中性的应用和推广，证明该技术可用于平滑强凸损失函数的近似最小化，特别是在最小二乘线性回归、稀疏线性回归和低秩协方差矩阵估计中具有类似的特征。

Jul, 2013

本论文构建了一个高效的量子矩阵反演算法（HHL）的经典模拟器，基于 Tang 的最近研究成果，通过对输入数据进行长度平方采样，实现了低秩矩阵的伪逆并使用快速抽样技术从问题 $Ax=b$ 的解中采样。本文通过子采样来找到 $A$ 的近似奇异值分解，从而实现伪逆。该方法也可用于把任何期望的 “平滑” 函数应用到奇异值上。既然许多量子算法可以表示为奇异值变换问题，我们的结果表明更多的低秩量子算法可以有效地 “去量子化” 成为使用长度平方采样的经典算法。

Nov, 2018

本文提出了一种新的随机原始 - 对偶算法来解决一类包含凸 - 凹结构的问题，并且相比现有算法在迭代次数上有更快的收敛速度，其中使用了梯度更新和确定性对偶变量更新的混合方法。

Apr, 2019

研究了通过最大似然方法估计多元高斯随机场的条件密度函数的逆矩阵，即集中矩阵，并基于图结构进行了解析，同时讨论了其在高维情况下的稳定性和性能

Nov, 2008

本文提出了一种基于原始 - 对偶框架的分布式优化算法，无需使用难以构建的双重随机混合矩阵，通过维护对偶变量来跟踪相邻节点之间的差异，使用这种方法构建的分布式算法比采用梯度跟踪的算法具有更好的性能。

Dec, 2020

对于在线学习量子态的对数损失函数（LL-OLQS），我们推广了 VB-FTRL 算法，该算法在多项式时间内实现了次最佳实力并具有 O（d^2log（d + T））的遗憾率。同时我们引入了 VB - 凸性的概念，以促进推广。

Nov, 2023