本文为矩阵缩放问题开发了多种有效的算法，并着重解决了一些特殊情况。该算法的复杂度为总复杂度 $\tilde {O}(m + n^{4/3})$，这比之前最好的精度 $\tilde {O}(n^4)$ 或 $O (m n^{1/2}/\varepsilon)$ 都要大大提高。

Apr, 2017

本文研究线性收缩估计器的参数选择，并提出了数据驱动的交叉验证方法，用于自动选择收缩系数，以最小化估计误差的弗罗贝尼乌斯范数。该方法不仅适用于使用样本协方差矩阵和多种典型收缩目标的收缩设计，还可用于使用一般收缩目标，多个目标和 / 或基于最小二乘法的协方差矩阵估计器的方案，并在数种不同的阵列信号处理问题中展示了应用。

Oct, 2018

通过交叉验证和最近邻截断，我们引入了一种简单可扩展的高斯过程模型训练方法，并采用泊松伽玛辅助变量和变分推断来适应二元和多元分类，通过与其他方法的比较，我们发现我们的方法提供了快速训练和出色的预测性能，这可以归因于预测分布的非参数性质和交叉验证损失对模型错误说明的鲁棒性。

May, 2021

本研究提出了新的随机化矩阵转换方法，用以快速计算矩阵乘法并保证计算效率，可以应用于非负矩阵分解和支持向量机等计算任务中。

Jun, 2016

我们提出了一种新的方法来增加数字和混合数据集，通过利用交叉验证重采样和潜变量建模来生成额外的数据点。该方法对于具有中度到高度共线性的数据集特别有效，因为它直接利用了这个属性进行生成。该方法简单、快速，并且有很少的参数，在文中已经证明无需特定调整。我们对多个真实数据集进行了测试；在这里，我们报告了两种情况的详细结果，即基于近红外光谱的切碎肉中蛋白质的预测（完全数字数据，具有高度共线性）和因冠状动脉造影而被提及的患者的区分（混合数据，包括数字和分类变量，并具有中度共线性）。在这两种情况下，我们使用人工神经网络来开发回归和区分模型。结果显示模型性能有明显提高；因此，在预测肉类蛋白质时，拟合增强数据的模型可以将独立测试集的均方根误差减少 1.5 至 3 倍。

Dec, 2023

本文提出了一种基于非参数检验和顺序分析的改良型交叉验证程序，可以在保留完整的交叉验证性能的同时，快速找到最佳参数集，比完整的交叉验证计算时间减少了高达 120 倍，并对准确性影响不大。

Jun, 2012

通过引入新的统计量和利用数据分割和对称聚合方案，该研究开发了一种通用方法来控制多元线性形式的测试的误发现率，并展示了在几乎最优的样本量需求下可以实现有效的 FDR 控制和保证的功效。

Dec, 2023

本研究介绍了一种高度有效的算法来计算矩阵平方根和其逆，以及用于变分高斯过程和贝叶斯优化的 Krylov 子空间方法，使得模型的可扩展性更高、准确性更高。

Jun, 2020

本文介绍了一种基本的计算和存储降低方法，用于光谱聚类和主成分分析。该方法可以大幅度减少数据矩阵和其相应内核（Gram）矩阵的计算复杂度和存储需求，而仍然能保持一定的性能。

Feb, 2021

该研究提供了一种用于大规模多类（和多标签）预测的简单算法，其鲁棒性强且不需要参数；这些基于二次结构的算法能够在理论和实践中胜过基于一阶方法的算法，并且通过可扩展的分阶段方法，通过增加计算速度改善准确率。

Oct, 2013