本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。
Feb, 2019
研究序列预测的问题，提供工具来研究相关游戏的极小极大值。开发了一套序列复杂性理论，能够准确地为序列预测问题提供学习保证。
Jun, 2010
本文针对未知动态系统的学习问题，提出了一种安全学习动态系统的数学定义，并通过线性规划和半定向编程等方法，发展了能够在保证安全的情况下学习线性和非线性动态系统的算法。
May, 2023
使用逆问题和储水池计算，我们开发了一个无模型、完全数据驱动的框架，能够从部分状态观测实时准确追踪变化的参数。该框架在各种复杂的非线性动力系统中表现出强大的性能，并解决了影响追踪性能的相关问题。
Nov, 2023
研究对敌对选择的高维状态进行预测的问题，在任意条件事件下实现无偏见，并旨在为下游决策者量身定制这些事件。提供了有效的算法来解决这个问题，以及选择适当的条件事件所带来的一系列应用。
Oct, 2023
本文提出了一种新的迭代算法，该算法在在线学习环境中训练一个稳定的确定性策略，结合特定的降维假设，找到了具有良好性能的策略，克服了之前方法的一些不足，实验表明该方法在两个挑战性的仿真学习问题和基准序列标记问题上表现优异。
Nov, 2010
本文通过差分方程和随机微积分的连续时间分析视角，研究离散时间问题，提出了一个连续时间、无需参数算法，并开发了一个类似的离散算法，最后提出了一个任意时间的算法以应对最难情况，并给出了一些令人满意的实验证据。
Jun, 2022
研究在线学习在动态环境中的应用，通过考虑社交网络等输入变量来降低最小化损失函数，并建立针对真实状态的两个更新机制，并对估计误差和后悔进行建模。
Oct, 2013
通过提出一种主动学习的方法，该方法不断进行轨迹规划，轨迹跟踪和重新估计系统，并展示了该方法以参数速率估计非线性动态系统，类似于标准线性回归的统计速率。
Jun, 2020
本文介绍了一种有效且实用的在线预测离散线性动态系统的算法，通过过参数化多项式对 LDS 的类别进行替代的方式，以获得损失函数的凸性，从而绕过了非凸最优化问题，并基于一种新颖的滤波技术进行了算法的构建。
Nov, 2017