本论文给出了学习任意单指标模型的全新结果，其中所需的激活函数参数满足 Lipschitz 范数和单调性，算法及分析基于 Bregman 距离和匹配损失的联系，同时也对 GLMtron 和逻辑回归等算法在普遍学习场景给出了新的保证。

Jun, 2023

本论文提出了一种用于多组学习的主动学习算法，以最小化标签查询数并保持 PAC 学习保证，其中包括分类准确度，标签查询和不一致系数等关键词。

Jun, 2023

对单指数模型进行主动学习方法的研究，证明了在已知或未知函数情况下，通过统计杠杆得分采样，采集约 O (d) 个样本即可学习出接近最优的单指数模型，且适用于拟合偏微分方程等科学机器学习应用。这种方法无需对数据分布进行假设，在挑战性的对手学习环境中表现出鲁棒性。

May, 2024

在罚函数为 $L_2^2$ 的超验模型中，我们研究了学习单指数模型的问题，并提出了一种高效的学习算法，它在一系列分布和广泛类别的单调和 Lipschitz 链函数下，能够以常数因子逼近最优损失。这是第一个高效的常数因子逼近超验学习器，甚至适用于高斯数据和任何非平凡的链函数类别。我们算法与分析的主要技术要素是优化中的一种新概念，我们称之为对齐锐度，这可能具有更广泛的兴趣。

Feb, 2024

单指标模型是高维回归问题，根据未知的一维投影通过非线性、潜在非确定性的变换，标签与输入相关，涵盖了广泛的统计推断任务，提供了在高维领域研究统计和计算权衡的丰富模版。我们证明了在统计查询（SQ）和低次多项式（LDP）框架内计算高效算法所需的样本复杂度最低为 Ω(d^k/2)，其中 k 是与模型关联的 “生成” 指数，我们明确定义了这个指数。此外，通过使用部分跟踪算法建立的匹配上界证明了这个样本复杂度也是充分的。因此，我们的结果表明，在 SQ 和 LDP 类中，只要 k>2，计算与统计之间存在明显的差距。为了完成这个研究，我们提供了具有任意大生成指数 k 的平滑和 Lipschitz 确定的目标函数的示例。

Mar, 2024

设计剩余计算量较少的算法来解决在不确定学习模型中的问题是一项具有挑战性的任务。本文通过提出多个不确定学习算法，重点是针对大小与计算能力相关的电路的学习，探讨了如何节省计算时间，并在统一分布下进行学习。

Nov, 2023

该论文研究了在高斯边际下以不可知方式学习半空间和 ReLU 的基本问题，证明了这些问题的统计查询下限。

Jun, 2020

通过对多个带敏感性群体的个体进行损失度量，本文提出了用于处理公平性关切的多组无知 PAC 可学习性算法，该算法可以保证在涵盖多个不同的群体时仍能保证所学分类器表现一致，通过联合和扩展以前针对特定损失函数的多组公平性文献中的研究，为包含敏感性群体的学习提供了一个统一的视角。

May, 2021

通过研究在浅层神经网络中使用梯度下降方法的稀疏高维函数，展示了它们在线性模型之外进行特征学习的能力。本研究扩展了这一框架，探索了高斯设置以外的情景，并通过假设在高维情形下可以有效地恢复未知方向。

Jul, 2023

该研究首次为关于高斯边缘任意非多项式激活函数的伪装学习问题，给出了统计查询下限。通过梯度提升过程对之前的低界进行放大，对具体问题 ReLU 回归（等同于伪装学习 ReLU），我们证明任何统计查询算法都必须使用至少 2^(n^c) ε 个查询，从而阐述了与真实价值的学习问题不同的情况，我们的结果排除了一般（相对于关联）SQ 学习算法，这在实值学习问题中是不寻常的。同时我们将两种常见的学习模型，即伪装学习和概率概念之间得到了最好的规约。

Jun, 2020