- 多区域马尔可夫高斯过程：一种有效方法用于发现多个脑区之间的方向性通信
该研究将高斯过程（GP）和线性动力系统（LDS）两种统计模型融合，并创建了一个多区域马尔可夫高斯过程（MRM-GP）模型，通过显式地建模频率和相位滞后，实现了在神经记录的潜在空间中频率和相位时延的探索。该模型在时间点上具有线性推理成本，提供 - 学习多个动态系统中的联合问题
时间序列聚类是一个研究深入的问题，本文提出了一种变体方法，在给定一组轨迹和一定数量的部分的情况下，共同划分轨迹集并学习每个部分的线性动态系统（LDS）模型，以最小化所有模型的最大误差，给出了全局收敛方法和 EM 启发式算法，并伴随着有希望的 - 学习动态有向无环图的信息论最优样本复杂度
研究了学习线性动态系统（LDS）在有向无环图（DAG）上的底层交互 / 依赖关系的最佳样本复杂度，提出了基于观察到的时间序列的功率谱密度矩阵的度量和算法来重构动态 DAG，证明了学习 DDAG 所需的最佳样本复杂度为 n=Θ(qlog (p - 物理增强高斯过程变分自编码器
提出了一种物理增强的变分自编码器，利用高维的图像数据可以学习低维的特征向量，并在学习中加入了物理学中的先验知识，从而提高了自编码器的效率和预测结果的物理正确性。
- 精细样本复杂度下的 Kalman 滤波器学习
提出了一种新的 RHPG-KF 框架，可应用于任何线性动态系统，并且不需要先验知识或系统开环稳定，能够实现稳定滤波器的学习，同时具有省时，高效的特性。
- 基于强自适应在线学习和记忆的对抗跟踪控制
本文提出了针对线性动态系统中对抗性干扰和损失函数的对抗状态序列跟踪问题的求解方法，包括比较器自适应算法、在线学习算法和对抗跟踪控制器，具有较强的性能保证。
- 带有赌博反馈的非随机控制
本文研究了控制具有对抗扰动的线性动态系统的问题，其中控制器仅有可用的标量损失反馈，且损失函数本身未知。针对这个问题，无论系统是否知道，我们都提出了一个有效的次线性后悔算法，并提出了一种用于带有记忆的损失函数的通用带贝叶斯优化算法，这可能是独 - 非随机控制的失当学习
本文研究非随机控制问题，提出了一种基于降噪观测值的控制器参数化方法，通过在线梯度下降方法得到一个新的控制器，其对一类闭环策略实现了次线性遗憾，为非随机控制领域中第一个可以与所有线性稳定动态控制器竞争的遗憾界。
- 非随机控制问题
该研究提出了一种针对未知线性动态系统进行控制的方法，能够对抗敌意干扰和对抗凸损失功能，通过衡量后效性的最佳线性策略，实现更高效的算法，并在此设定下保证次线性的遗憾边界 T^{2/3}。
- 基于感知的控制鲁棒性保证
利用感知地图控制自主车辆的问题，设计针对该感知方案的闭环系统安全集和稳健控制器，方法是从复杂和非线性的数据中提取一些与状态相关的线性函数预测值，并在适当的稠密状态空间采样下学习参数，以获得有利的泛化性能。在合成示例和 CARLA 的自动驾驶 - 基于线性动力学和预测的在线最优控制：算法及遗憾分析
研究了具有时间变化凸阶段成本的在线最优控制问题，设计了利用有限的梯度计算的 RHGC 算法，证明了其动态遗憾随着前瞻窗口大小的指数级下降，并利用线性二次跟踪问题提供了任何在线算法的动态遗憾的基本限制，最后用数值测试证明了 RHGC 算法在线 - 带敌对扰动的在线控制
本文研究带有敌对干扰的线性动态系统的控制，在几乎不知道扰动信息的情况下，实现近乎最优的在线控制过程，主要贡献是提出一种算法来提供几乎紧密的遗憾界，这一研究在技术层面上对以前的工作进行了推广和扩展。
- 在线学习线性动态系统：卡尔曼滤波器中的指数遗忘
本文研究了 Kalman filter 在时间序列预测和分析中的应用，证明了当过程噪声非退化时，预测的依赖关系呈指数衰减。由此推导出基于少量最近观测的 LDS 线性动态系统在线算法。它的更新运行时间与回归深度成线性关系。
- 传感器攻击下的网络物理系统安全状态估计：一种满足性模理论方法
采用满足性模理论方法对线性动态系统传感器的恶意攻击进行检测和缓解，以及在攻击存在的情况下，通过简单和高效的算法隔离受损的传感器并估计系统状态，利用形式化方法在实数域上的结果对算法的完整性和正确性提供保证，并演示其应用于无人地面车辆控制问题。
- NIPS稀疏线性动力系统及其在多元临床时间序列中的应用
本研究提出了一种在最大后验 (MAP) 框架下，采用基于一般化梯度下降法的期望最大化 (EM) 算法，对线性动态系统的转移矩阵进行 L1 正则化来减轻隐藏状态数量选择问题的方法，这种 Sparse Linear Dynamical Syst - 动态场景的压缩采集
本文提出了一种基于线性动态系统的视频压缩感知恢复框架，将视频恢复问题简化为先从压缩测量中估计 LDS 模型参数，然后重建图像帧。利用 LDS 的低维动态参数和高维静态参数来设计一种新颖的压缩测量策略，它只在每个时刻测量场景的动态部分并随时间