我们研究了从标记为正例和未标记样本的训练集中学习二元分类器的问题，提出了一种袋装方法来应对这个问题，并在模拟和实际数据上进行了实证表明。

Oct, 2010

本研究旨在提出一种能够处理起始数据集非常小、能够根据不断变化的数据自适应调整的分类框架，以此为基础，提出了增量协方差导向一类支持向量机，通过控制新数据点引起的支持向量变化，取得了在人工和真实数据集上的显著分类表现。

Oct, 2016

提出了一种基于贝叶斯定理的虚拟支持向量机算法，通过使用高斯分布和虚拟数据点，平衡在线学习场景下的分类预测精度和内存缓冲的数据处理要求。

May, 2012

本文利用统计力学与信息理论的工具，PACBayesian 方法，研究如何在后验概率度量集合上进行凸分析，使用相对熵度量分类模型复杂性和与 Gibbs 后验概率度量的关系等方法提高分类准确率和推广性，并说明了如何推广结果至迁移学习和支持向量机。

Dec, 2007

条件推断是一种基本且多用途的工具，为许多机器学习任务提供无分布保证。我们考虑转导设置，在该设置中，根据 $m$ 个新点的测试样本做出决策，产生 $m$ 个整合 p 值。我们表明它们的联合分布遵循一个 Pólya 陶壶模型，并为它们的经验分布函数建立浓度不等式。

Oct, 2023

本文研究了利用和超参数微调相关的重新参数化策略，增强深度学习系统在特定条件下的组合泛化能力，从而解决超域外推问题。该方法在各种监督学习和模仿学习任务中均具有实用性。

Apr, 2023

提供了一种生成支持向量机的概率输出的新方法，利用集成方法和自举估计，能够处理不平衡数据集，并在广泛的数据集测试中展现了优势。

Oct, 2023

本文讨论了有监督分类中的一些早期方法和现代发展，并探讨了这些方法之间相对优劣的比较研究存在的局限性，即简单方法通常可以产生与更复杂方法几乎相当的性能。

Jun, 2006

本文提出了一种新颖的基于转移学习的方法，通过预处理特征向量使其更接近高斯分布，并利用基于最优输运的算法 (在普遍情况下) 加以利用，证明了该方法在各种数据集、主干体系结构和少样本情形下达到最先进的准确性。

Jun, 2020

本文介绍了一种自动检测预先训练的视觉分类器中分类错误的技术，该技术是对分类器形式不可知的，并且仅需要访问对一组输入的分类器响应。我们使用由来源于同一输入的多个分类器响应生成的表示的参数二元分类器 (错误 / 正确) 进行训练，每个分类器都受不同的自然图像变换的影响。因此，我们通过分析分类器在各种转换下的不变性来建立分类器决策的置信度的度量。在多个数据集（STL-10、CIFAR-100、ImageNet）和分类器的实验中，我们展示了错误检测任务的新的最先进结果。此外，我们将该技术应用于新颖性检测场景，并展示了最先进的结果。

Apr, 2018