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

本文研究了如何估计稀疏协方差矩阵，建立了在矩阵算子范数和 Bregman 散度损失下的最优收敛率，主要关注建立速率锐利的极小值下限，使用新工具解决此问题。我们首先开发了一种下边界技术，特别适用于处理估计稀疏协方差矩阵等 “双向” 问题。我们随后使用这种下边界技术，建立在谱范数下估计稀疏协方差矩阵的速率锐利的极小值下限。

Feb, 2013

本文引入了矩阵深度的概念，提出了一种鲁棒的协方差矩阵估计方法，该方法具有稳健性和最小化最坏情况下的风险率的特点，能够适应包括有带状结构和稀疏结构在内的多种结构的协方差 / 散布矩阵估计问题。

Jun, 2015

提出了一种新的框架，以将鲁棒性的凸松弛算法修改为满足适当参数规范的强最坏情况稳定性保证。通过这一框架，提出了一个可以在存在恶意数据干扰下实现微分隐私的高阶矩的鲁棒估计的算法，包括均值和协方差的估计。该算法成功地应用于成族分布，并在适当参数范数下提供恢复和维度参数的从容保证。

Dec, 2021

本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，用于 Hadamard 可微函数和随机优化问题，从而提供了一个有原则的选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开，表明如何通过方差来规范化问题。最后，我们证明了，我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列，包括几何上遗传的 Harris 递归马尔科夫链。

Oct, 2016

研究了鲁棒子空间恢复的基本问题，通过解决凸最小化过程来估计 “鲁棒逆样本协方差”，然后通过此矩阵的底部特征向量（其数量对应于接近 0 的特征值的数量）恢复子空间。我们保证在某些条件下精确恢复子空间，同时提出了一种快速迭代算法，可线性收敛到最小化凸问题的矩阵。我们对噪声和正则化的影响进行了量化，并在各种设置中讨论了许多实际和理论问题，以改善子空间恢复。与许多其他鲁棒 PCA 算法相比，在合成和实际数据集上进行了比较，并证明具有最先进的速度和准确度。

Dec, 2011

本论文提出了一种基于再生核希尔伯特空间中协方差符算子的新型分歧表示 Jensen-Shannon Divergence 的估计方法，该方法嵌入了数据分布到 RKSH，并利用其表示的符算子谱，该估计器对于小批量优化问题是灵活、可扩展且可微的，可以应用于二样本测试和生成对抗网络训练领域，并表现出优于现有技术的性能。

May, 2023

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

使用测地线进行协方差矩阵建模，通过最小化样本协方差矩阵到测地线的距离解决代表性协方差矩阵的选择问题，并展示了其在有噪声数据下解决方案的精度较高。

Jan, 2020