本文研究了岭回归的三个基本问题：估计器结构、正确使用交叉验证选择正则化参数以及加速计算。通过研究岭回归的偏差和偏差校正方法，分析了原始和对偶草图在岭回归中的准确性，并以模拟和实证数据分析为例说明了结果。

该文探讨了基于经验风险惩罚的多核学习问题，主要关注稀疏情况下的超额风险建立。该方法综合考虑了经验L2范数和核引起的RKHS范数及其正则化参数的数据驱动选择的复杂度惩罚。

该文介绍了一种基于3D卷积神经网络的方法，通过使用多个模态的数据来训练单模态网络，提高手势识别性能。该方法引入了空间时间语义对齐的损失函数和正则化参数，避免直接融合多个模态。实验结果表明，该框架提高了单模态网络的测试时间识别准确性，并在各种动态手势识别数据集上提供了最先进的性能。