本方向围绕典型机器学习方法中的核心问题，开展高效算法设计与理论优化研究，主要包括：
[1] DBSCAN 算法优化：针对基于密度的聚类方法，提升在高维、大规模与噪声数据场景下的计算效率与聚类稳定性；
[2] Density-Peak 聚类优化：改进密度峰值类算法的复杂度与鲁棒性，减少对参数选择的敏感性；
[3] Regression with Outliers：面向含异常点的数据回归任务，设计鲁棒回归模型与近似最优算法，兼顾精度与效率；
[4] Distance Query 优化：研究大规模数据下的快速距离查询与相似性搜索算法，为聚类与回归等任务提供高效基础支持。