本研究提出了一种数据驱动的替代建模框架，用于快速预测粗糙表面接触中的有效接触面积。通过多种机器学习算法，核岭回归模型在准确性和效率上表现最佳，适合多次查询任务。

本研究探讨了在无限期平均奖励强化学习中，使用核岭回归预测期望价值函数的问题，提出了一种乐观算法，并建立了无遗憾的性能保证，同时推导出新的置信区间。

本文研究了将核变细算法用于监督学习以提高效率。提出了一种结合Nadaraya-Watson回归和核岭回归的新方法，显著加快训练和推断速度。实验表明，该方法在实际数据中有效，提升了计算和统计效率。

本研究提出了一种基于均方误差的风险方法，通过将校准问题转化为回归问题，优化分类器校准的平方误差估计。利用独立同分布的输入对，显著提升了现有估计器的性能，并与核岭回归的新估计器进行了比较。

本文研究了高斯设计下的核岭回归及其异常泛化误差，探讨了噪声和正则化之间的相互作用。研究还证明了交叉行为在现实数据集上也是可观测的。

该研究提出了联邦核岭回归理论框架，解决联邦学习中的异构性问题，并设计了新的实验协议。发现基于知识蒸馏的联邦学习协议表现不佳，联邦核岭回归可提高模型性能和泛化能力。