- MM随机平滑中的统计估计问题的处理方法对抗鲁棒性
通过采用置信区间与较少样本的统计估计方法，我们提供了一种新的方法来解决随机平滑中的计算负担，从而在标准方法中获得相同的统计保证。同时我们提出了一个随机版本的 Clopper-Pearson 置信区间，证明了这种方法的效果明显更好。
- FUSE: 高效统一的偏微分方程模拟和估计
通过运用运算符学习框架，同时预测连续量和推断离散参数的分布，能够提高预测的准确性和鲁棒性，并且降低反向和代理模型的成本。
- 在线估计通过离线估计：一种信息论框架
统计估计的经典理论和在线学习的现代理论相结合，提出了黑盒离线估计到在线估计的转化问题，通过引入 Oracle-Efficient Online Estimation (OEOE) 框架，从信息论的角度解决了在线估计的统计复杂性和计算复杂性， - 群不变 GAN 的统计保证
本研究通过分析群不变 GAN 模型在样本复杂度方面的改进，量化表明当学习群不变分布时，所需样本数量随着群体大小的幂次下降，这一幂次取决于分布支撑的固有维度。结果是第一次为群不变生成模型，特别是 GAN 模型提供了统计估计，并可为其他群不变生 - 开放世界知识库中的完整性、召回率和否定性：一项调查
本文介绍了有关知识库的完整性、回溯和否定的表示、提取和推断的方法，以及对应的方法及其工作原理的基本方法，并针对两类受众提出了解决不完备知识库方面的建议。
- 学习具有先验信息的基本权衡
本文探讨学习者对问题的先验信息的准确性与其学习表现之间的基本平衡问题，介绍了优先风险的概念，提出了一种推广最小化上限技术的方法来限制统计估计问题的优先风险，同时为了限制更一般的损失而引入了 Fano's inequality 的新概念，展示 - 学习高斯及更高模型的私有与多项式时间算法
提出了一个将差分隐私统计估计转化为无差分隐私的框架，并给出了用于学习高斯分布和鲁棒学习高斯分布的多项式时间差分隐私算法，该方法中学习高斯分布的样本复杂度和已知的信息论样本复杂度的上限相匹配，并且还证明了相似的结果，其中鲁棒学习高斯分布的样本 - rTop-k：分布式 SGD 的统计估计方法
本文提出一种基于统计估计模型的分布式机器学习通信优化方案，将梯度稀疏化技术与随机梯度业务结合，实现了通信效率与模型性能的均衡优化。
- Fano 不等式入门及其在统计估计中的应用
本文介绍信息论在统计估计不可能性问题上的应用，针对 Fano's inequality 及其变体进行详尽探讨，提供了一些关键工具和方法，并给出了若干具体实例，包括了分组测试、图形模型选择、稀疏线性回归、密度估计和凸优化等。
- 现代统计估计问题的组合差分最大程序
本文研究了统计估计问题，在采样版本中，使用经验风险最小化来估计模型参数，以控制模型的过度拟合和 / 或变量选择。利用差分凸函数来定义三大组件，并提出了一种非单调主题最大化最小化算法和半光滑牛顿法来解决问题。其中，连续分段仿射回归方法的优越性 - 半正定松弛局部稳定性
研究了二次约束二次规划及其半定松弛的一个参数化族，并给出了在参数值改变时半定松弛的精确性条件，在估计问题中有广泛应用，并可用于分析一般多项式优化问题的松弛稳定性。
- 局部隐私估计的极小极大最优算法
本文研究数据保护与统计估计之间的平衡，开发了私有版本的信息熵界限，提出了一些新的基于隐私保护机制和计算效率估计，并给出了一些实验结果，证明了这些过程的重要性。
- NIPS通过多项式混合法估算混合模型
本研究提出了基于矩方法的统一框架 Polymom，通过将混合模型的矩表示成参数的多项式的混合形式，利用半定规划来解决广义矩问题的松弛，并将参数提取的想法与计算机代数相结合，从而推导出估计过程，并可以应用凸优化、计算机代数和矩理论的工具来研究 - 隐私与统计风险：形式化和极小化边界
我们探索和比较了隐私和披露限制的各种定义，在统计估计和数据分析中包括 (近似) 差分隐私、基于测试的隐私定义和对披露风险的后验保证。我们在定义之间给出了等价结果，揭示了不同形式隐私定义之间的关系。我们通过这些定义提供了最小化风险边界的推论视 - 几乎不稳定 Hawkes 过程的极限定理
研究了几乎不稳定的 Hawkes 过程，发现在适当的缩放后，它们与整合 Cox-Ingersoll-Ross 模型有相似的行为，因此将金融订单流建模为几乎不稳定的 Hawkes 过程可能是重现其高低频现象的好方法。并将此结果推广到基于 Ha - 因果推断中忠实度假设的几何学
该论文研究了因果推断中的忠诚度假设及其限制，探究了在不同有向无环图的情况下强忠诚度分布的上下界，并证明了忠诚度假设对于 PC 算法以及高斯偏相关测试等算法具有基本的限制。
- 有关互信息和统计估计准确度的一些关系
该研究探讨了互信息与统计估计误差之间的关系，通过总结 MI 与 Fisher information 之间的二阶关系、MI 与最小均方误差之间的下限关系，以及在有干扰参数的情况下 MI、FI 和 MMSE 之间的不等式和对应关系等，揭示了信 - 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。
- 探讨：三位表亲的故事：Lasso、L2Boosting 和 Dantzig
讨论了 Emmanuel Candes 和 Terence Tao 的研究论文《当 $p$ 远大于 $n$ 时的统计估计 ——The Dantzig 选择器》。
- 答辩：当 p 远大于 n 时的统计估计的 dantzig 选择器
回复文献: `` 当 $p$ 远大于 $n$ 时的 Dantzig 选择器：统计估计 ''[math/0506081]