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

本文针对 SIRV 或复合高斯过程的高维协方差估计问题，提出收缩方法，包括使用一个简单、闭合和数据相关的选择来定位收缩系数，模拟表明该方法具有低的估计误差并且对重尾样本具有较好的鲁棒性，最后在无线传感器网络的活动 / 入侵检测中展示了该方法的性能。

Sep, 2010

提出了一种在不强加限制性假设的情况下构建协方差估计器的原则方法，通过最小化与接近名义分布的所有数据分布相关的最坏情况 Frobenius 误差来研究分布鲁棒协方差估计问题，证明了鲁棒估计器的有效计算性、渐近一致性和有限样本性能保证，并通过合成 Kullback-Leibler、Fisher-Rao 和 Wasserstein 散度的显式估计器来说明这一通用方法。基于合成和实际数据的数值实验表明，我们的鲁棒估计器与最先进的估计器具有相竞争的性能。

May, 2024

该论文提出了针对高维问题的协方差估计收缩方法，包括 RBLW 估计器和 OAS 估计器，两者使用简单且易于实现，数值模拟表明 OAS 可以胜过 RBLW，尤其是在 n 远小于 p 时，同时论文也将这些技术应用于自适应波束成形。

Jul, 2009

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

本文介绍了一种用于多目标回归的集成方法，通过现有目标的随机线性组合构建新的目标变量，并与 RAkEL 和一系列最新的多标签分类算法进行比较。在 12 个多目标数据集上的实验证明，该方法表现显著优于单一模型方法和随机森林方法。

Apr, 2014

本文研究了一个基于迭代重新加权的估计方法，该方法针对多元高斯分布的均值具有鲁棒性，且具有多个优秀性质，包括计算上的可行性、对平移、伸缩和正交变换的不变性、高断点以及渐近有效性。此外，本文还为提出的估计器建立了无维度的非渐近风险界限，并将结果推广到了子高斯分布和污染率未知、协方差矩阵未知等情形。

Feb, 2020

提出分布鲁棒的最大似然估计模型，结合 Wasserstein 模糊集，从 n 个独立样本中推断出 $p$ 维高斯随机向量的逆协方差矩阵；当估计问题没有结构信息时，该估计问题有自然地解释为非线性缩小估计器。同时，本研究还为高斯图模型开发了一个顺序二次近似算法。

May, 2018

本研究开发并分析了经验贝叶斯斯坦型估计量，用于在大规模在线实验中估计因果效应。我们通过对 Facebook 在 2017 年 4 月至 6 月进行的 17 个大规模实验的研究来展示这些性质。

Apr, 2019

基于独立样本，我们尝试估计各种概率分布的共同空间上的多维均值。我们的方法通过凸组合样本的经验均值来形成估计器。我们介绍了两种找到合适的数据依赖凸组合权重的策略：第一种策略利用测试过程识别方差较低的相邻均值，从而得到一个权重的闭式插值公式；第二种策略通过最小化二次风险上界确定权重。通过理论分析，我们评估了我们的方法在二次风险上相对于经验均值的改进。我们的分析集中在维度渐进的角度上，显示我们的方法在数据的有效维度增加时渐进地接近一个理想（极小化）改进。通过在模拟和真实数据集上进行实验，我们展示了我们的方法在估计多核均值嵌入方面的有效性。

Mar, 2024