- 低秩强化学习光谱逐项矩阵估计
研究低秩结构引发的强化学习中的矩阵估计问题，通过简单的基于谱的方法高效地恢复矩阵的奇异子空间并实现最小的逐项误差，从而设计了充分利用低秩结构的强化学习算法，包括低秩赌博机问题的最小遗憾算法和低秩马尔可夫决策过程中的无奖励 RL 的最佳策略识 - ICLR利用结构实现基于价值的规划和强化学习
利用矩阵估计技术，提出了一种利用 Q 函数中的全局低秩结构来提高经典控制器和深度强化学习性能的方案。在控制任务和 Atari 游戏中进行的实验证实了该方法的有效性。
- ICMLME-Net：基于矩阵估计的有效对抗鲁棒性
本论文提出了一个基于矩阵估计的防御方法 ME-Net，通过图像预处理和重建来破坏对抗噪声的结构，并加强原始图像的全局结构，从而提高深度神经网络的鲁棒性，相比其他目前最先进的防御技术，ME-Net 在黑盒和白盒攻击下表现出更好的性能。
- 关于贪心低秩优化的近似保证
本文提供了一种新的矩阵估算近似保证方法，其基于约束强凸性和平滑性的标准假设。同时，本文揭示了低秩估算和组合优化之间的新联系，并针对两个重要的现实问题提供了贪心估计与基准估计间的经验比较。
- 从多元 Hawkes 积分累量揭示因果关系
提出了一种新的非参数方法，旨在估计具有多元 Hawkes 过程的积分核矩阵，从而解释其节点间的相互影响和因果关系。
- ICML通过移位反演预处理加速特征向量计算
该研究论文提出了一种基于随机优化和矩阵估计的算法，能够通过线性系统求解来计算矩阵（具有稳定秩）的顶部特征向量，并提供了更快的算法和改进的样本复杂度。
- 隐式矩阵迹估计器样本大小的改进界限
本文研究了通过矩阵 - 向量乘法计算跟踪矩阵 A 的隐式给定的蒙特卡洛方法，通过随机向量的平均值估计跟踪值的相对误差，并证明了 Hutchinson，Gaussian 和单位矢量（有和无替换）概率分布所需要的实现数量 N。结果表明，该方法能 - 广义奇异值阈值法矩阵估计
本文介绍了一种名为普遍奇异值阈值（USVT）的估计程序，可用于任何具有 “少量结构” 的矩阵进行矩阵估计，并成功应用在低秩矩阵估计、距离矩阵补全、图形估计等问题中，取得了最小化误差率。
- 高维低秩矩阵的估计
本文研究用惯性系数约束和 Frobenius 范数限制下的惩罚最小二乘估计的 Schatten-p 准范惩罚项估计法，能够有效地在高维数据下进行矩阵估计。
- 估计带噪声和高维缩放的（近乎）低秩矩阵
研究高维推断中估计矩阵的问题，提出基于迹或核范数的正则化 M 估计方法来近似低秩矩阵，分析其性能并提供 Frobenius 范数误差的非渐近界限，并应用于多变量回归、向量自回归过程等特定矩阵模型，模拟结果与理论预测吻合度高。