- 最佳子集选择的动态增量优化
本研究探讨了一类 l0 正则化问题的对偶形式，并基于其原始问题和对偶问题结构开发了一种高效的原始对偶算法，通过利用对偶范围估计和增量策略，可能减少了冗余计算并改进了最佳子集选择的解决方案。理论分析和对合成数据集和实际数据集的实验验证了所提出 - 加权支持向量机的稀疏学习和类概率估计
我们提出了一种基于加权支持向量机的稀疏学习方法，结合了自动变量选择和准确的概率估计，既能有效地进行变量选择，又能可靠地估计概率。这种方法在自动变量选择和可靠概率估计方面具有巨大优势，并且适用于高维问题。
- 构建可解释的稀疏学习图神经网络用于药物 - 蛋白质结合预测
我们提出了一种使用稀疏学习在图神经网络中的方法（SLGNN），该方法通过使用基于化学亚结构的图来表示药物分子，并结合广义融合套索和消息传递算法来识别对于药物 - 蛋白质结合预测至关重要的连接子图。结果表明，SLGNN 识别出的关键结构在化学 - 使用变分贝叶斯推断从有限数据中发现随机偏微分方程
本文提出了一种新的框架，该框架结合了随机微积分，变分 Bayes 理论和稀疏学习等概念，提出了扩展的 Kramers-Moyal 展开来发现随机偏微分方程 (SPEDs) ，并且用 Spike-and-Slab 先验概率和稀疏学习技术来有效 - MM基于稀疏学习的水下可见光通信信道估计
本文利用基于压缩感知的框架，充分挖掘水下可见光信道在传播距离域中的稀疏性，提出了一种基于稀疏学习的水下可见光信道估计方案，其中采用深度展开神经网络模拟迭代稀疏恢复算法，取得了比非 CS 和 CS-based 方案更准确的信道估计精度。
- 联合边模型稀疏学习对于图神经网络的可证明效率
本文从样本复杂度和收敛速率的角度，首次提供了从联合边缘 - 模型稀疏学习的理论特性，证明了重要节点抽样和低幅度神经元剪枝可以减少样本复杂度，提高收敛速度，而不影响测试精度。
- 高维差分隐私随机优化及重尾数据
本文中，我们首次对 DP-SCO 问题的高维重尾数据进行了研究，提出了在约束为多面体的情况下的误差频率及其限制，进一步在 LASSO 和稀疏学习问题中讨论了误差限制。
- MM通过非凸正则化共同学习多个格兰杰因果网络：推断群体级别的脑连接
本文介绍了一种基于稀疏学习的方法，通过多个 Granger 图对多个时间序列进行联合学习以发现共同和差异的 Granger 因果关系结构，该方法在 ADHD 的 fMRI 数据集中找到了两组个体的大脑连接机制及其差异。
- 事件增强高质量图像恢复
本文提出了一种可解释的网络，即基于事件增强的稀疏学习网络 (eSL-Net)，用于从事件相机中恢复高质量图像，并通过稀疏学习框架共同考虑事件和低分辨率强度观测，经过合成数据集的训练，可以将表现提高 7-12dB，在不需要额外训练的情况下，可 - 从零开始的稀疏神经网络：在不降低性能的情况下更快地训练
本文研究了通过发展一种称为稀疏动量的算法，实现在深度神经网络训练过程中，保持稀疏权重的同时实现稠密表现水平的加速训练方法，实验证明稀疏动量可靠地重现稠密表现水平并提供最多 5.61 倍的训练加速度。
- IJCAIRobustTrend: 一个利用组合的一阶和二阶差分正则化的 Huber 损失函数进行时间序列趋势过滤的方法
本文提出一种基于鲁棒统计和稀疏学习的趋势过滤算法，采用 Huber 损失压制离群值并利用一阶和二阶差分组合作为正则化以捕捉缓慢和突变的趋势变化，通过主元最小化与多项式替代方向法设计出有效的方法来解决鲁棒趋势过滤，实验证明该算法优于其他九种最 - NIPS化学反应网络模型简化的数据驱动稀疏学习方法
本文提出了基于优化的稀疏学习方法，以识别化学反应网络中最具影响力的反应集。该方法减少了反应集，并用于构建与化学相互作用网络建模相关的化学反应机制。我们将识别关键反应问题首先制定为混合整数二次规划问题，然后利用松弛方法降低了方法的计算复杂度。 - 稀疏性下的高效分布式学习
提出了一种新颖、高效的分布式稀疏学习方法，可在高维度中随机分割观测数据，并在通信效率方面展现极佳的表现。
- 渐进式方差缩减随机优化的非凸稀疏学习
我们提出了一种基于随机方差减少优化算法的稀疏学习问题求解方法，该方法在满足一定条件下具有线性收敛保证和高维度下的最优估计精度。我们进一步将该算法扩展到一种异步并行版本，具有近似线性加速。数值实验表明，我们的算法在参数估计和计算性能方面都具有 - 路径坐标优化稀疏学习：算法与理论
本文提出了一种新的理论方法，证明了路径坐标优化框架具有卓越的统计和计算性能，特别是在高维稀疏学习问题上具有优异的表现，并提出了一些改进措施以提高该框架的性能。
- 用变分不等式实现安全筛选及其在 LASSO 中的应用
本文介绍了一种名为 “Sasvi” 的方法，它基于变分不等式提供了更强的安全筛选规则，可用于稀疏学习模型的特征选择和计算效率优化。实验结果表明，Sasvi 对 Lasso 筛选具有很强的可靠性和有效性。
- 一种用于非凸正则化优化问题的普适性迭代收缩与阈值算法
本文提出了一种新的 GIST 算法来解决大类非凸惩罚的非凸优化问题，该算法通过迭代解决近端算子问题，并在每个外部迭代中使用 Barzilai-Borwein（BB）法来查找适当的步长，同时给出了详细的收敛分析。
- 变分优化
本文讨论了一种形成非可微或离散目标函数最优解可微分界限的通用技术，提供了这些方法的统一描述，并且考虑了边界凸性的情况。特别地，我们考虑了该方法的两个具体应用：稀疏学习和支持向量分类。
- 带 l1 范数的再生核 Banach 空间
本文针对稀疏学习，构建函数 Banach 空间 B，该空间对于输入空间 X 中的可积函数采用计数测度下的 l1 范数与 B 等距同构；同时，点评价运算是 B 上的连续线性泛函，并且可表示为具有核函数的双线性形式；最后，本文证明了在 B 上正 - 流形弹性网：稀疏降维的统一框架
通过一系列等效变换，引入了 MEN（弹性网络流形学习），该模型集成了流形学习的优点和稀疏学习的优点，并且等价于最小角度回归（LARS）算法来获得 MEN 的最优稀疏解决方案。