研究了从受高斯噪声污染的观测中估计任意随机变量的最小均方误差，揭示出随着信噪比的增加，MMSE 是输入随机变量分布的凸函数，并且在给定任意输入分布下都是无穷可微的；同时证明了高斯输入具有保持机密性容量和广播通道容量的能力，并在某些条件下证明熵功率不等式。

Apr, 2010

提出了一种基于梯度下降算法的非凸优化的低秩矩阵估计的统一框架，其通用性很强，可应用于噪声和无噪声观测，算法能够线性收敛到未知低秩矩阵的最小最优统计误差，同时也能够以线性速率收敛到未知低秩矩阵，并以最优样本复杂度实现精确恢复。

Oct, 2016

基于矩阵的噪声观测，我们构建了一个弹性框架以推断其线性形式，我们提出了一种构建渐近正常估计量的普遍过程，以进行双重样本去偏差和低秩投影，从而允许我们构建线性形式的置信区间并检验假说。

Aug, 2019

本文介绍了使用 Approximate Message Passing（AMP）算法结合谱初始化来实现 Bayes-optimal 精度的方法，特别关注了如何应用于低秩矩阵估计问题中，同时讨论了其应用于稀疏低秩矩阵和高斯块模型中的实验结果。

Nov, 2017

线性估计问题中，我们建立了一个高斯 - 马尔可夫定理的扩展，其中偏置算子允许非零但相对于 Schatten 类型的矩阵范数保持有界。我们导出了核范数和谱范数（弗罗贝尼乌斯范数情况下回收岭回归）的最优估计器的简单和明确公式。此外，我们在多个随机矩阵集合中分析地导出了广义误差并与岭回归进行比较。最后，我们进行了大量模拟研究，结果显示交叉验证的核范数和谱范数回归器在某些情况下能胜过岭回归。

Nov, 2023

研究高维推断中估计矩阵的问题，提出基于迹或核范数的正则化 M 估计方法来近似低秩矩阵，分析其性能并提供 Frobenius 范数误差的非渐近界限，并应用于多变量回归、向量自回归过程等特定矩阵模型，模拟结果与理论预测吻合度高。

Dec, 2009

本文提出了一种新的方法，它能够将输入输出互信息与最小均方误差之间的关系联系起来，这种关系是基于信噪比的，无论输入的统计量如何，它都适用于非因果均方误差估计。

Dec, 2004

该论文中提出了一种新的估计信号的方法，可以在压缩感知、稀疏叠加编码或分割多路接入等应用中使用，该方法基于统计物理的启发式重复方法，使用 Guerra 类型插值和空间耦合分析，得出了相对精确的互信息估计和最小均方误差单字公式，可以应用于所有离散有界信号的随机高斯线性估计。

Jul, 2016

本研究提出了一种新方法，用于分析已知模型下统计推断的基本限制，并得出了对互信息、最小均方误差、相变点及近似消息传递算法状态演化的稳定点等的显式公式，其中关键的假设是矩阵来自正交不变分布，本方法适用于具有多元高斯信道的模型。

Oct, 2017

研究了非线性观测信号估计问题，当信号属于高维空间中的低维集合时，可以使用广义 Lasso 方法，针对非线性观测信号进行噪声线性观察建模，通过信号重建结构降低误差，允许信号具有不连续、多义和未知的非线性特征，并允许测量矩阵的行具有未知的协方差矩阵。

Feb, 2015