通过计算分布批次的随机梯度下降，相比单纯的分步抽样或者有样本权重分配的随机梯度下降，可以得到可观的优化速度。我们为了最小二乘和铰链损失问题提出了几种计算有效的近似权重和计算方案。这篇论文的分析和实验表明我们的方法可以获得重大的优势。

Aug, 2016

该论文研究了一种简单估计技术在重尾分布下提供指数集中性的应用和推广，证明该技术可用于平滑强凸损失函数的近似最小化，特别是在最小二乘线性回归、稀疏线性回归和低秩协方差矩阵估计中具有类似的特征。

Jul, 2013

研究怎样在不假设样本的基础分布为高斯分布的前提下，只假定有限个矩的情况下，有效地进行线性回归和协方差估计，并关注能用多少样本来实现高精度和指数级成功概率。使用八阶圆当量半定规划提供算法，预备性的证据表明在我们的算法使用的平均中位数框架中无法在多项式时间内改善这些误差率。

Dec, 2019

本文研究如何在模型错配偏差情况下学习线性预测模型。我们提出了一种样本重新加权方法，该方法可以减少输入变量之间的共线性，从而提高设计矩阵的条件，并与任何标准学习方法相结合，用于参数估计和特征选择，进而提高模型在不同分布数据集下的稳定性。

Nov, 2019

本文提出了使用镶嵌二分布的拟合方法来准确建模具有重尾噪声的非平稳时间序列，以达到更准确的异常检测。与其他现有方法相比，我们的方法不仅能建立对极端值具有鲁棒性的模型，还能准确刻画整个分布的特性。本文还在 Twitter 数据集上验证了该方法的卓越性能。

Jun, 2021

本文研究了具有重尾噪声的高维线性回归模型的分布式估计和支持恢复，并采用分位数回归损失函数来处理噪声。我们提出了一种计算和通信效率高的分布式估计器，理论上表明该方法在少数迭代后即能达到近乎理想的收敛速度，并且还为支持恢复提供了理论保证。

Jun, 2019

本文提出了一种基于权重调整的时间序列预测框架，通过降低由突发变化造成的损失和提升正常状态下的损失来提高预测精度。通过对 12 种模型在 8 种数据集上的实验，证明该方法能够平均降低 MSE 10.1％，在最先进的模型上可以高达 18.6％。

Feb, 2023

通过重新加权样本，本研究在再生核希尔伯特空间中修正最小二乘学习算法的误差，以解决未来数据分布与训练数据分布不同引起的问题，并证明在弱平滑条件下，相比现有分析所证明的，为了达到与标准监督学习相同精度所需的样本数量更小。

Jul, 2023

使用加权样本进行概率密度函数估计是所有自适应重要性采样算法的主要基础。本文提出使用变分自编码器参数化的近似模型来解决传统非参数模型或参数模型在高维度和灵活性方面的问题，并结合重要性采样算法对目标分布进行采样。

Oct, 2023

本文提供一个元问题和一个对偶定理，通过这个元问题和对偶定理，我们从新的统一的视角研究了高维健壮统计和重尾分布均值估计问题，并展示了一个既简单又高效的算法，该算法用于处理两个不同问题通过两种算法最终合并实现了 “大同小异”

Jul, 2020