本文提出了一种流形匹配方法来生成模型，该方法包括分布生成器和度量生成器，通过学习距离度量来生成符合真实数据流形的样本，并且应用于无监督和有监督学习任务，得到了良好的效果。

Jun, 2021

本文提出了 Manifold Alignment Determination 算法，其通过概率模型仅需要一些数据对即可学习多个视图 / 模态数据点之间的对齐，表现出良好的灵活性和准确性，实验证明该方法的优势。

Jan, 2017

使用软流形进行图嵌入，为复杂数据集中的任何数据分析任务提供连续空间，实验结果表明其能够相对于现有技术更准确可靠地对图进行表征。

Nov, 2023

本研究提出了一种在机器人学习中处理非欧几里德流形数值数据的本质方法，该方法通过在流形上选择适当的概率分布，并将其参数作为预测变量的函数进行非参数化估计，同时结合核函数的局部似然方法，实现了比投影算法更好的预测准确性。

Oct, 2023

本文介绍了一种用于流形对齐的邻居嵌入框架，并演示了使用经过流形对齐的均匀流形逼近和投影算法学习对齐流形的有效性，该算法可以学习到与整个数据集嵌入可视上相竞争的对齐流形。

May, 2022

本研究提出了一种可解释的 Manifold Learning 方法，在不降低数据质量的前提下进行维度降低，具有多目标优化功能和高效简洁的特点，适用于数据分析的应用。

Jan, 2020

本文提出一种新的预测器组合算法，通过基于可能相关的参考预测器改进已有的任务预测器；同时，为了克服现有方法的局限性，设计了一种新的非参数任务依赖估计过程，并将其实例化为健壮的流形扩散过程，以联合细化预测器对齐和对应的任务依赖关系，将此算法应用于相关属性排序问题，并证明它不仅扩大了预测器组合方法的应用范围，而且在应用于经典的预测器组合设置时也优于现有方法。

Apr, 2019

介绍了一种名为 KEMA 的核方法用于流形对齐和领域调适，具有多种有趣的属性，且在合成例子、物体识别和人脸表情识别任务中表现出了良好的性能。

Apr, 2015

通过对优化传输具有二次正则化的对称版本的利用来构建稀疏且自适应的亲和矩阵的流形学习方法，从而检测数据嵌入的潜在流形是广泛一类下游分析的先决条件。我们证明了连续极限中产生的核函数与拉普拉斯类型算子一致，并在模拟中展示了对异方差噪声的鲁棒性，我们还确定了适用于离散数据的计算该优化传输的高效计算方案，并证明在一系列示例中它优于竞争方法。

Jul, 2023

本文提出基于赋对问题的多模型匹配能量公式，以及基于最小费用最大流算法的高效求解器，该方法能够显著增加匹配数量，并且可以提高模型拟合精度。

Mar, 2013