- 可扩展渐进最优多机器人运动规划
该研究提出了一种可扩展的多机器人路径规划方法 dRRT*，利用采样基规划器在所有机器人构型空间的复合配置空间中寻找渐近最优路径，实验表明 dRRT * 可以在高维多机器人问题中收敛到高质量路径。
- ICLRRL$^2$: 快速增强学习通过慢增强学习
通过将强化学习算法 RL^2 表示为递归神经网络并从数据中学习，我们提出了一种方法来尝试理解替代动物的快速学习过程。我们在具有优化性能保证的情况下评估了 RL^2 的性能，并证明它适用于高维问题。
- 随机控制问题的深度学习逼近
通过蒙特卡洛采样的深度学习方法，将高维随机控制问题的时间依赖控制近似为前馈神经网络，用作控制问题的目标函数，经测试，该方法可以处理高维度问题并且具有令人满意的准确性。
- 关于乘法伽马过程的注记
本研究探讨了统计学中关于自适应降维和多重伽玛过程在高维问题中的应用及其性质研究，旨在简化该过程的实施。
- NIPS正则化 EM 算法：统一框架与统计保证
这篇研究论文通过使用正则化技术，解决了高维数据应用中 EM 算法在 M 步时无法定义的问题，并在此基础上，具有统计保证的处理了高维混合回归、缺失变量回归等问题。
- 利用高斯 Copula 模型将近似贝叶斯计算方法扩展到高维
本研究提出了一种利用高斯 Copula 逼近对近似贝叶斯计算（ABC）算法中的边缘调整策略进行改进，并将其扩展应用于高维问题的贝叶斯推断中的方法。
- ICML一种基于 Dantzig Selector 的时序差分学习方法
本文介绍了一种新的算法，通过将 LSTD 与 Dantzig Selector 结合，解决了 L1 正则化与 LSTD 整合的困难问题，该算法适用于高维问题。
- 通过近似传递消息实现时变信号的动态压缩感知
本文从贝叶斯的角度探索了动态压缩感知问题，并提出了一种概率动态压缩感知信号模型及一种近似传递算法 DCS-AMP，它可以有效地进行信号估计和支持检测，并在合成数据和真实数据上表现出了良好的性能和速度。
- 特征智能核套索法进行高维特征选择
本文介绍了一种基于 Least Absolute Shrinkage 和 Selection Operator（Lasso）的特征选择方法，通过使用核函数来捕捉非线性的输入输出关系，并采用基于核的独立度量来找到与输出值具有强统计依赖关系的非