- 基于 DBSCAN 的流形密度水平集估计
使用 DBSCAN 方法通过自适应参数调节，能够有效地估计未知密度下连通密度级别集的边界，当数据位于嵌入的未知流形且没有事先知道该流形的维度时，该算法的估计误差达到了适当的下限。
- 随机分布式均值估计：准确性与通信
本文研究如何在分布式计算环境中在通信成本约束下，适应一系列随机化算法以在预期的通信成本和估计误差之间进行权衡，实现对一组向量的平均值估计，为分布式优化和学习算法中的 reduce-all 操作提供了一种解决方案。
- 贝叶斯分层建模统计比较分类器
本研究提出了一种贝叶斯分层模型，通过对多个数据集上两个分类器的交叉验证结果进行联合分析，从而返回两个分类器准确度在实际上是否等价或显著不同的后验概率，并减少了估计误差。
- 重新访问随机不对称动力学伊辛模型的耦合学习：随机相关矩阵和学习曲线
研究了最近提出的一种从动力学相互作用的异构性动力学 Ising 模型有限长度轨迹的学习耦合的算法的性能，分析了学习速度与动力学引起的自旋之间的非平凡等时互相关性之间的重要性，尤其是当自旋的随机性降低时。同时，还分析了估计误差与渐近最优性的偏 - 多臂赌博机中主动学习的上置信界算法
本文主要研究的问题是：如何在样本预算有限的情况下，统一地估计多个分布的平均值。通过采集数量，可以根据它们的方差为已知来设计最优的采样策略，但在更实际的情况下，需要设计自适应采样策略来选择要采样的分布（根据先前观察到的样本）。文章描述了两种策 - 部分排名下的极小最优推断
本研究研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量，以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。
- 非负主成分分析：消息传递算法和尖锐渐近
本文研究了主成分分析中，如果利用附加到主向量的信息，能否使得任务更容易并提高准确性。在正协方差约束条件下，该文在一峰模型下开发了相似的特征，证明了估计误差也存在相似的相变现象，并且展示在几乎线性时间内如何近似计算非负主成分。
- 张量补全的新凸松弛方法
该论文研究了如何通过欧几里得球的凸松弛和乘子法方法解决张量学习中由于痕迹规范化限制而存在的限制，并在合成和真实数据集上对该方法进行了验证，表明其估计误差显著降低，同时保持计算可行性。
- 可解释的函数线性回归
本文提出了一种名为 FLiRTI 的方法，基于可变选择的思想，应用于 $eta (t)$ 的各种导数，以产生精确、灵活且可解释的估计，该方法在模拟和实际数据集上进行了演示，并提供了非渐近理论误差界限，为我们的方法提供了强有力的理论动机。