本研究探讨了激励不足条件下的参数学习问题，提出了一种在线算法，能够计算可识别和不可识别的子空间，并在最小二乘意义上提供最优参数估计。在无噪声情况下，学习误差指数收敛至零，为分布式参数学习提供了新视角。

本研究提出了一种增量权重更新算法，用于在随机边权的无向图模型中学习Sherrington-Kirkpatrick模型的参数，分析相对简单。

本研究探讨了高维统计学中马尔可夫随机场（MRF）参数或依赖结构学习的计算困难，并提出了一种新方法，通过自然动态样本来学习，简化了学习过程。

本文研究了自监督学习方法在多语言机器翻译中的应用。通过结合噪声消除的自监督任务和原有任务，性能在8种和15种语言基准测试中分别提高了11.3％和3.7％。

本文提出了一个处理深度神经网络中灾难性遗忘问题的框架，通过优化神经结构和参数学习等两个组件，缓解灾难性遗忘问题的能力强，连续学习时优于多个数据集上的基线。