- 带 Massart 噪声的半空间在线学习
在存在 Massart 噪声的在线学习任务中，我们研究了广义线性分类器的基本类，并提出了一个高效的算法，达到了错误界限，与在线对手对抗。我们还将在线学习模型扩展到 k 臂上下文强盗设置中，通过使用我们的 Massart 在线学习器设计了一个 - 稳定器乘积态的不可知测试
定义了一个称为不可知摄影的量子学习任务，算法能够给出关于一个任意状态中近似等同于稳定子产品状态的简要描述，算法能够适应对该状态的扰动，并在多项式时间内运行。
- 鲁棒主成分分析的组合方法
我们研究了在噪声低秩且有坐标级别污染的情况下恢复高斯数据的问题。我们的主要结果是一个高效的算法，在 ks^2 = O (d) 的条件下，以接近最优的期望 Δ1 误差来恢复每个数据点。
- $α$- 公平上下文强化学习
设计了一种高效算法，确保在全信息和强盗反馈设置中几乎达到次线性的遗憾，以解决 alpha-fair contextual bandits 问题。
- 学习已知骨干的有界度多叉树
有限样本保证 + 边界度多树 + 高效算法 + 政权时间和样本复杂度 + 信息理论样本复杂度下界
- 如何捕捉高阶相关性？将矩阵 Softmax 注意力推广为克罗内克计算
在该研究中，我们研究了一种可以捕捉三元相关性的注意力机制的泛化形式，该泛化形式能够解决传统 transformers 无法解决的问题。我们展示了在有界输入情况下的近似计算，以及对于更高阶张量和相关性的拓展。同时，我们还发现输入的边界与张量的 - 个体偏好稳定聚类的常数逼近算法
在一项研究中，我们引入了个体偏好稳定性（IP 稳定性），作为一种受稳定性和公平性约束启发的自然聚类目标。我们证明了对于一般度量，总存在一个 O (1)-IP 稳定的聚类算法，并且还介绍了 IP 稳定性在平均距离以及簇内和簇间最大最小距离情况 - 面向目标的序列规则
本文提出了一种高效算法（TaSRM）进行目标时序规则挖掘，并结合实验结果分析了它与现有算法在运行时间、内存消耗、可扩展性以及不同查询规则下的表现，证明了其比基线算法更具实验性能。
- 异步随机优化抗任意延迟
论文考虑带有延迟梯度的随机优化问题，在异步分布式优化中证明了一种简单有效的算法，它可以在统计学意义下达到最优结果。
- 潜在 MDPs 的强化学习：遗憾保证和下界
在本文中，我们考虑了隐式马尔科夫决策过程中强化学习的遗憾最小化问题，我们提出了一个具有局部保证的有效算法，以解决这个问题。
- ICML消息传递最小二乘框架及其在旋转同步中的应用
提出了一种高效的算法用于解决在高噪声和污染水平下的群组同步问题，并侧重于旋转同步；使用基于消息传递算法的方法来估计群组比率的污染水平和一种基于加权最小二乘法的新算法来估计群组元素，其中权重是使用估计的污染水平初始化并迭代更新的；在合成数据和 - ICML具备随机行动集和对抗性奖励的改进型睡眠赌博机
本文考虑了具有随机动作集和对抗回报的睡眠强盗问题，提出了一种新的受到 EXP3 启发的高效算法，并在每轮可用集合从一些未知的任意分布中产生的最普遍版本中提出了一个具有保证的高效算法。
- MM高斯混合模型鲁棒聚类
提供了一种有效的算法，用于鲁棒聚类混合的两个任意高斯分布，该算法将扩展到鲁棒聚类混合的分布更广泛的情况，通过使用基于等位置和费舍尔判别式的新可辨识性标准和相应的固定度数的平方和凸松弛。
- 度量空间中的高效无模型强化学习
本文介绍了一种基于 Q-learning 的高效的无模型强化学习算法，利用一种自然的状态 - 动作空间度量扩展了先前仅针对离散状态 - 动作空间的 Q-learning 算法，无需使用黑盒规划预言机。
- StyleBlit：基于本地引导的快速基于示例的样式化
该研究提出了一个高效的基于样例的风格转移算法 StyleBlit，适用于具有局部引导的风格转移应用，能够在单核 CPU 上实现高质量的风格化渲染。
- Kitsune: 在线网络入侵检测的自编码器集成
该研究提出了 Kitsune：一种可以在本地网络上无监督地，高效地学习检测攻击的即插即用 NIDS，其核心算法是一个由称为自动编码器的神经网络集合组成的组合，能够有效地跟踪每个网络通道的模式，结果显示 Kitsune 可以检测各种攻击，具有 - 通过快速交替最小二乘法实现矩阵补全和低秩奇异值分解
本文介绍一种 “softImpute” 算法，将 matrix-completion 问题的两种流行的方法：核范数规则化矩阵逼近和最大间隔矩阵分解结合，且在大矩阵逼近和补全方面表现更好。
- 张量分解的平滑分析
通过平滑分析模型，本文提出了一种针对高度过完备情况（秩多项式于该张量维度）的张量分解的有效算法，且该算法具有鲁棒性，即使输入存在逆多项式误差，其表现依然可靠。该算法的线性独立性结果为我们在学习过程中应用张量方法提供了方便，为多视图模型和轴向 - KDD语义排序：个性化语义相关性的监督学习方法
本文提出了一种基于主观注释的新型监督学习方法来学习统计句子相关性模型，该模型由大规模背景知识语料库中的文本单位关联的参数化共现统计信息组成，并提出了一种高效的算法来从相关性偏好的训练样本中学习语义模型，方法独立于语料库、适用于任何足够大的（ - 具有遗传族群约束条件的对称次模函数最小化
提出了一种高效算法，可在任何基于包含关闭的集合家族中找到对称次模函数的非空最小化器，包括基于基数约束、背包约束、拟阵独立约束或这些约束的任何组合。