基数排序（Radix Sort）的时间复杂度可达 O(nk)，超越了比较排序的 O(n log n) 下界。其核心在于直接读取元素的位，而非进行比较。基数排序适合固定长度的整数和字符串，但在处理大元素和变长字符串时效果较差。选择排序算法时需考虑数据特征与实际性能。

本研究针对现有文献中大多数集中于遗憾上界而忽视下界的问题，提出了一个新的方法来求解线性上下文赌博机的方差依赖遗憾下界。通过考虑预先给定和自适应的方差序列，研究表明得出的下界与SAVE算法的上界相匹配，显著推动了该领域的理论发展。

该研究解决了多智能体路径寻找中传统聚焦搜索面临的低下界增长缓慢的问题，从而限制了搜索空间。提出了一种新颖的有界次优算法——双重增强冲突基础搜索（DECBS），通过首先确定最大下界值后，再利用该下界执行最佳优先搜索，显著提高了碰撞-free路径的寻找效率。实验结果显示，DECBS在大多数测试用例中超越了现有的ECBS算法，特别是在中高密度的代理情况下，DECBS在平均运行时间上提升了23.5%。

本研究解决了一层softmax变换器在无限精度下的性能下界问题，填补了现有研究的空白。采用VC维度技术，针对函数组合和SUM$_2$任务证明了首次下界。该工作对优化变换器性能和理解其限制具有重要影响。

本研究探讨了神经网络大小的下界问题，并将其与多面体的扩展复杂性关联，提出了虚拟扩展复杂性的新概念，证明其为优化神经网络大小的下界，具有深入研究的价值。

本文探讨了多臂老虎机模型的性能，提出了新的优化算法和改进的序贯停止规则，研究了有限反馈和多智能体环境下的遗憾下界，展示了算法的有效性和性能保证。

本研究提出了一种新的分布鲁棒离线强化学习算法，结合模型估计和双重悲观策略优化，以解决数据分布偏移问题。通过不确定性集建模转移内核的不确定性，优化最坏情况下的性能，提升算法的鲁棒性和样本效率。研究还探讨了动态规划原理的存在条件及其对算法的影响，提出了DR-LSVI-UCB算法，并验证了其在离线动态强化学习中的有效性。

本文探讨了利用多边际最优传输（MOT）简化对抗性风险问题的方法，提出通过线性规划和熵正则化提高深度学习模型的鲁棒性，并分析了机器学习分类器在对抗样本下的表现，应用最优传输理论优化神经网络的分类性能。

通过将递归神经网络语言模型连接到概率有限状态自动机，我们重新审视了递归神经网络语言模型的表征能力，并证明具有线性边界精度的递归神经网络语言模型可以表示任意的正则语言模型。

本文研究在线学习算法，提出多种模型和算法以提高预测准确性，重点关注激励兼容性和后悔度问题。实验验证了新算法在内容推荐和多臂老虎机问题中的有效性，强调了反馈在学习中的重要性。

本文探讨了高维学习中高斯分布的统计查询下限技术，分析了样本复杂度与计算复杂度的超多项式差距，并提出了新的无监督估计方法。研究涵盖高斯混合模型、线性分类器和独立成分分析（ICA），并提供了算法的性能保证和复杂度下界，强调了统计查询算法在学习理论中的重要性。

本文研究了基于线性奖励的鲁棒最佳臂识别问题（RBAI），提出了下界和赌博算法，并在实验中证明了其有效性。同时，还应用于糖尿病护理和胰岛素剂量建议。

聚类是无监督机器学习中的关键问题，如何通过混合模型来研究聚类是常见的。本文首先通过契诺夫散度建立了聚类任何混合模型的一个普遍下界，然后证明在具有次指数尾部的混合模型中，迭代算法可以达到这个下界；此外，对于更适合使用泊松或负二项式混合模型的数据集，我们研究了属于指数族的混合模型，在这种混合模型中，我们证明了一种改进的 Lloyd 算法 ——Bregman 硬聚类，是速率最优的。

本文介绍了一种以Optimal Transport（OT）为基础的对抗方法，通过分析每个组成部分在训练动力学中的作用，逐步改进生成分布并与数据分布对齐。该方法在CIFAR-10上取得了2.51的FID得分，优于基于OT的对抗方法。

该研究提供了敌对强盗算法的新下界，并证明了最佳臂的总损失或损失的二次变化的上界是接近紧的。研究还证明了单臂最优和遗憾不能随损失范围的提高而扩展。