本论文提出了一种实用而新颖的推理方法，可用于对各种交汇界限的推理，包括参数或非参数函数的下确界或上确界，或者等价于具有潜在无限约束集合的线性规划问题的值。我们提供了大样本推理的理论，并构造了新的自适应不等式 / 矩选择方法。同时，我们还提供了中位数偏差校正估计器以解决样本有限时可能出现的严重偏差问题。

Jul, 2009

本文介绍了一种基于历史销售数据和机器学习算法，利用二次规划问题以及半定规划松弛的快速近似算法来解决价格优化问题，使得实际销售商品的利润最大化，实验结果表明该优化算法可以同时得出数百个商品的最优价格，并且将销售商品的总毛利润提高了 8.2% 左右。

May, 2016

本研究聚焦个性化定价模型，旨在最大化单个项目的预期收入或利润。我们提出了一种考虑了预测购买概率不确定性的鲁棒优化模型，并开发了一种高效的 Lagrangian 分解算法来解决大规模优化问题。实验证明了我们的模型的有效性，并突出了我们的算法在计算效率和解决方案质量方面的实用性。

Jul, 2024

本文提出一个基于数学框架的方法，构建以逐步可解释的模型。我们演示了应用于实际和合成数据集的实用算法，并定量化了 “可解释性” 的 “价格” 与预测准确性的权衡。

Jul, 2019

本文提出了一种新的贝叶斯优化方法 BE-CBO，通过有效地探索可行设计和不可行设计之间的边界来识别约束条件，并通过综合实验在合成和实际基准测试中展示出卓越的性能。

Feb, 2024

本研究基于贝叶斯优化方法，提出了两种自动调整搜索空间大小的算法，并将它们应用于深度学习中的优化问题，包括超参数调优、神经网络模型训练等，取得了不错的结果。

Aug, 2015

本文针对结构化凸优化问题，建立一个新的错误边界框架，并对常见的错误边界结果进行统一和透明的证明，此外，将其应用于核范数正则化损失最小化问题，并在严格补充型条件下建立了新的错误边界。

Dec, 2015

研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用，并提供了解决此类问题的通用框架，并在潜在 Dirichlet 分配，神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。

Mar, 2014

本文提出了一种统一的框架，用于基于交互式协议的分布式参数估计，可以导出各种紧密下限，适用于不同的参数分布族；特别是在高斯家族的原型情况下，我们的方法可以规避以往技术的局限性，并补充了匹配的上限。

Oct, 2020

本文研究了在符号回归（SR）的参数估计步骤中添加形状约束及其考虑。我们提出了使用基于梯度的数值优化来最小化参数估计期间的形状约束违规。通过对合成数据集进行测试，我们评估了三种算法变体的性能，以识别出三个符号表达式。结果表明，当数据稀缺时，将形状约束融入表达式搜索特别有益。与仅在选择过程中使用形状约束相比，我们的方法在某些测试情况下显示出统计上显著的好处，而在任何情况下都没有显著恶化。

May, 2024