通过协方差矩阵和预测误差，我们提出了一种选择向量子集的新方法，该方法可以使得使用该子集的岭估计在整个数据集上的平均预测误差具有强大的统计保证，而无需昂贵的标签表。同时，我们对一种联合子抽样过程进行扩展，称之为卷积抽样，并加速迭代过程，以实现与主要独立同分布子抽样过程之一的杠杆分数基本相同的效率。最后，我们理论上和实验上证明了，当标签昂贵时，卷积抽样比任何独立同分布抽样具有明显的优势。

Oct, 2017

该研究介绍了一种基于变换的确定性鲁棒初始估计方法及其对应的迭代加权最小二乘算法，用于解决存在异常值时基于最大似然估计的广义线性模型中初始估计不准确的问题。

Sep, 2017

本文提出了一种针对逻辑回归模型的快速子抽样算法，利用优化方法降低计算时间，通过理论和实验分析验证其性能。

Feb, 2017

本文从套索惩罚和子采样的角度建立它们之间结构和风险的等效关系，通过限制不同的岭正则化系数和子采样比例的路径，证明子采样的二阶统计量和岭回归分析的期望风险是等价的，提供一种基于数据推导的确定等价路径的方法，进一步解决了最近由 Nakkiran 等人提出的关于最优化 - 调整岭回归系数在数据方面比例上是否具有单调预测风险的问题。

May, 2023

本文研究了应用于具有未知依赖关系结构的随机向量均值的广义自助法置信区间，并针对高维向量进行非渐近控制，分别采用了基于浓度原理和基于重新采样分位数量化的方法，并且考虑了蒙特卡罗法的精度问题。

Dec, 2007

本研究探讨了在比例渐近情况下，基于子采样的岭回归集成，通过分析岭回归集合的平方预测风险，证明了岭无偏估计器的预测风险与含所有可能子样本的完整无岭集合的预测风险相匹配，并证明了广义交叉验证对于估计岭回归集成的预测风险具有强一致性。

Apr, 2023

本文对来自于 coreset 和 optimal subsampling 文献的多个 logistic regression 方法进行了直接比较，并发现了它们有效性上的不一致性，很多情况下这些方法都没有超过简单的均匀抽样。

Jan, 2023

针对高维线性回归模型的参数拟合问题，考虑基于 Lasso 惩罚的最小二乘估计器的置信区间和 p 值的构造及去偏的版本，进一步在随机设计模型的情形下进行研究，并提出了更优的平均检测功率的分析结果。

Nov, 2013

本文介绍了一种广义的自助法技术，用于通过求解估计方程获得的估计量。我们讨论了该技术的一些特例，包括 Efron 的经典自助法、删除 djackknife 和贝叶斯自助法变体。通过示例讨论了该技术的使用。证明了该方法的分布一致性，并获得了重新采样方差估计的渐进表示。

Apr, 2005

该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。

Jun, 2013