本研究提出了一种新颖的无学习率随机梯度优化方法Hot DoG，解决了核心集构建中的学习率敏感性问题。实验结果表明，Hot DoG在后验近似质量上优于其他方法，效果与最佳调优的ADAM相当。

本文介绍了一种名为SAL的算法，利用异构数据源构建不确定性集合，并针对相关性稳定性进行强鲁棒性优化。该算法在随机梯度优化的情况下证明了可行性，并在模拟和实际数据集上进行了实证研究，验证了其有效性。