利用深度学习中基于序列回归的神经网络模型进行年龄预测的研究中，提出了一种新的一致性排序逻辑（CORAL）框架，用于提高预测准确率。

Jan, 2019

本文提出了一个简单的序列预测框架 Ord2Seq，将有序回归任务转化为序列预测过程，以便细致地区分相邻类别，实验证明细致区分相邻类别能够显著提高性能，并且新方法在四个不同场景中超越了现有最先进方法的表现。

Jul, 2023

本文提出了学习概率顺序嵌入来表示每个数据的方法，这些嵌入由多变量高斯分布表示，以更好的建模回归中的不确定性，并且可以与流行的回归方法集成，通过实验结果证明其具有竞争性的表现和确定性评估的能力。

Mar, 2021

该研究提出了一种并行化算法，用于找到最优的阈值标签，通过使用该算法和并行处理相比使用基于动态规划的现有算法，可以将阈值方法的整个学习过程的计算时间缩短到约 60％。

May, 2024

介绍了一种新的鲁棒性支持向量序回归模型 (CSVOR)，它使用带权重矩阵的截断 lp - 范数损失函数来检测和消除训练过程中的异常值，在存在异常值的情况下表现优于现有的方法。

Apr, 2024

本文探讨了基于深度神经网络的序数分类问题，通过对均方误差损失函数的简单修改，使其可以敏感地处理类别排序，同时还能获得各个类别的离散概率分布。我们基于 softmax 隐藏层提出了一种新的算法，经实验在 Kaggle 糖尿病性视网膜病变数据集上表现优于所有基线模型。

Dec, 2016

本研究研究计算机视觉中回归问题的分类方法，发现使用交叉熵损失的分类方法比均方误差损失的回归方法具有更好的性能，同时提出了一种序数熵损失方法以鼓励高熵的特征空间并维护序数关系来提高回归任务的性能。实验结果表明增加熵对于回归任务的重要性和好处。

Jan, 2023

分类量化的研究在近年来获得了更多的关注，但是大部分的研究都集中在二分类和多分类问题上，很少研究有序情况下的分类量化。本文主要贡献有三点：首先，我们创建了两个新的有序分类量化数据集，弥补了之前数据集的不足；其次，我们对现有的有序分类量化算法进行了实验比较，将来自数据挖掘和天体物理学等不同研究领域的算法作者集于一身；第三，我们提出了一种新的正则化的有序分类量化算法，在实验中优于现有算法。我们的算法在性能上取得了提升，关键原因是我们的正则化方法防止了在实际应用中不合理的有序估计，因为我们假设有序分布在实践中趋于平滑，我们通过多个实际应用案例对此假设进行了非正式验证。

Oct, 2023

神经网络与多项式回归模型之间有着松散的对应关系，通过揭示这一关系，我们可以在避免诸如设置大量调整参数和处理收敛问题等神经网络的重要问题的同时，选择使用多项式模型。

Jun, 2018

我们介绍了一种新方法 ROGMC，用于基于 GNN 的矩阵补全，通过整体偏好传播直接融入 GNN 的消息传递，根据评分类型的固有顺序更强调用户的偏好，辅以兴趣正则化以提高兴趣学习，实验证明 ROGMC consistently 优于现有的在 GNN 中使用评分类型的策略。

Mar, 2024