本研究解决了马尔可夫决策过程中的价值函数有限样本有效性问题，确保了强化学习的可靠性，提出了高维概率收敛保证及边界，建立了更快的收敛速率，并设计了在线计算的渐近协方差矩阵估计器。

研究解决了随机梯度下降在强凸光滑最小化问题中的偏差问题。新方法改进了均方误差的分解，明确了最优协方差矩阵的依赖性。发现均方误差的主要项为$ ^{-1/2}$，次主项为$ ^{-3/4}$，表明更精确的分析可推动SGD的应用。

本文提出了一种基于协方差矩阵的图形表示方法，定义了适用于社交网络分类的相似度测量，具有高计算效率，支持大规模应用。研究了随机块模型中的谱聚类，证明其在社区提取中的一致性和可靠性，并提出结合多层随机块模型和变分贝叶斯算法的新颖聚类分析方法，应用于全球食品贸易网络分析。

本文提出了一种新方法用于调整岭回归的正则化超参数λ，计算速度快于留一法交叉验证（LOOCV），并在稀疏协变量情况下提供更好的回归参数估计。研究了线性收缩估计器的参数选择，提出数据驱动的交叉验证方法以最小化估计误差，适用于多种协方差矩阵和收缩目标的设计。

该研究提出了一种新的选择向量子集的方法，利用协方差矩阵和预测误差，在整个数据集上获得强大的统计保证。同时，通过卷积抽样可以提高迭代效率，特别适用于标签昂贵的情况。

本文提出了一种基于EM算法的正则化版本，通过收缩估计量以实现正定的协方差矩阵更新，改善EM算法在GMM处理中的性能问题。

该研究提出了一种新颖的难度感知的语义扩增方法，通过围绕发音人嵌入空间中的语义方向对训练样本进行扰动，取得了令人瞩目的性能改进。

本文研究了具有协方差矩阵的图形卷积神经网络在脑成像数据分析中的应用，证明了其比传统 PCA 方法更具实用性，并验证了其对于阿尔茨海默病的优势与解释性。

本文提出了一种基于EM算法的正则化版本，通过收缩估计量以实现正定的协方差矩阵更新，改善EM算法在GMM处理中的性能问题。实验证实了该算法在聚类目的上的良好性能。