- 私密几何中位数
本文研究了差分隐私算法在计算数据集的几何中位数方面的应用，提出了一对多项式时间的差分隐私算法，并证明其在样本复杂性方面的最优性。
- 离散无穷优化输运问题的多项式时间求解器
该研究提出了在离散和有限情况下解决无穷优化运输问题的 Monge 和 Kantorovich 表述的多项式时间算法。这是我们所知道的第一次提出了这些问题的高效数值方法。
- 重尾统计算法：回归、协方差估计和更多
研究怎样在不假设样本的基础分布为高斯分布的前提下，只假定有限个矩的情况下，有效地进行线性回归和协方差估计，并关注能用多少样本来实现高精度和指数级成功概率。使用八阶圆当量半定规划提供算法，预备性的证据表明在我们的算法使用的平均中位数框架中无法 - 鲁棒均值估计有多难？
该论文阐述了在自然情况下改善多项式算法稳健均值估计误差率在计算上可能是不可行的，并探索了改善现有算法的错误率的自然方法，并证明了这将意味着小集合扩展问题的有效算法。
- 子模最大化的指数级并行运行时间加速，无需牺牲近似度
本文探讨了子模最大化算法的适应性，证明了一个新的算法可以在 O (log n) 自适应回合内实现接近于最优 1-1/e 近似。
- 特征值衰减意味着神经网络具有多项式时间可学习性
研究神经网络学习使用不同激活函数的函数类的问题，探讨了最小的假设条件，该假设条件相应于 Gram 矩阵的特征值衰减。通过足够强的多项式特征值衰减，他们获得了所有相关参数的多项式时间算法，这是对 ReLU 网络的第一个以纯分布假设为基础的支持 - 通过梯度下降的快速鲁棒 PCA 算法
本文介绍了一种非凸优化方法，用于解决全观测和部分观测情况下的鲁棒主成分分析问题，该方法与现有最佳算法相比，显著降低了计算复杂度，并且在部分观测情况下，我们的算法在有可证明的情况下也是已知的运行时间最短的算法。
- 均值和协方差的不可知估计
本文提出了多项式时间的算法，用于估计带有无法识别噪声的分布的均值和协方差，并证明了其信息理论下界的误差担保，同时得到了奇异值分解的不可知算法。
- 学习漂移目标概念
本文研究了在存在漂移的目标概念的情况下的学习问题，提出了误差率的上界，并给出了一个能够适应目标概念不断漂移的算法的一般结果，其中包括了该设置的积极学习变体，并提供了得到错误率上界所需的点标签查询数量的界限。
- 寻找任何非平凡的粗糙相关均衡是困难的
本文介绍了关于粗略相关均衡的研究，讨论了算法和动态模型在多人博弈中的适用性，并给出了相应的数学模型和贡献。
- 稀疏线性回归问题多项式时间算法性能下界
通过复杂性理论的标准假设（NP 不在 P/poly），我们证明了稀疏线性回归的极小化预测风险可以由多项式时间算法实现，但实际上实现优化算法时，二者之间存在差距。特别是在设计矩阵不良条件下，多项式时间算法可以实现的极小化预测损失可能会明显高于 - 轻量级描述逻辑 EL 的逻辑差异
本文探索了一种基于逻辑的本体版本控制方法，提出了一种采用逻辑及查询解答的 ontologies 差异比较方法， 设计并实现了一个能在多项查询上进行版本比较的多项式时间算法 CEX2。
- 具有顺序偏好的不可分配物品的公平分配
研究针对代理人与物体之间的离散分配问题，使用分数或随机分配的随机支配关系系统地定义了不同的比例公正和不嫉妒的概念，提出了多个公正概念并设计了多项式时间算法，扩展到不平等权利的情况，并且提出了一些公正概念，其中最优比例和最优弱比例是可取的。
- 相变引起的算法障碍
研究随机 CSP 问题和多项式时间算法无法寻找解决方案的相位转变，并运用一般技术准确地证明 $k$- 着色的相位转变推出所有已知多项式时间算法的失败点。