本研究通过谱方法，针对二元情况下的多个分类器预测结果，提出了一种无监督方法来估计分类器的准确性，同时构建了更准确的无监督集成分类器，并通过人工和真实数据集的实验表明了该算法的竞争性能。

Jul, 2014

本文主要探讨如何在无监督学习中，检测强违反条件独立性的分类器依赖关系，提高分类器准确性估计以及构造更合适的元学习器的方法，旨在提高集成学习算法的性能表现。

Oct, 2015

该论文研究了在一般和更实际的设置中使用光谱方法估计和不确定性量化未观察到的被比较实体的偏好分数的性能，其中比较图包含可能具有异构大小的超边，并且对于给定超边，比较的数量可以低至一次。此外，在适用 BTL 或 PL 模型的情况下，我们揭示了光谱估计量与最大似然估计量之间的关系。我们发现，使用从等权重光谱方法估计的最优加权的两步光谱方法可以达到与 MLE 相同的渐近效率。鉴于估计的偏好分数的渐近分布，我们还介绍了一个全面的框架，可以在固定和随机图设置中进行一样本和两样本排名推断。值得注意的是，这是首次提出有效的双样本排名测试方法。最后，我们通过全面的数值模拟验证了我们的发现，然后应用我们开发的方法对统计学期刊和电影排名进行统计推断。

Aug, 2023

给定多个项目之间的成对比较，如何对它们进行排名，以使得排名与观察结果相匹配？本研究关注基于 Erdos-Renyi 异常值（ERO）模型的排名问题，在该问题中，每个成对比较都是真实分数差异的损坏副本。通过研究基于非归一化和归一化数据矩阵的谱排名算法，我们提供了每个项目从观察数据中恢复出其潜在分数的性能，并得出了非归一化 / 归一化数据矩阵的最大特征向量与其总体对应物之间的逐项扰动误差界限。通过留一法技术，我们提供了更精确的最大特征向量的 l∞范数扰动界限，并在只有 Ω(nlogn) 个样本的情况下导出了每个项目的最大偏移误差界限。理论分析在样本复杂度方面改进了现有技术的结果，并通过数值实验验证了这些理论发现。

Sep, 2023

介绍了光谱排名的历史并阐述实现方法，该方法将线性映射理论（特别是特征值和特征向量）应用于不表示几何变换，而是表示实体之间某种关系的矩阵。

Dec, 2009

本文介绍一种基于 Bradley-Terry-Luce 模型的方法，使用 pairwise comparisons 进行 top-K ranking，证明 spectral method alone 和 regularized MLE alone 在特定 dynamic range 内的样本复杂度最小，并通过数值实验验证了它们的低误差。

Jul, 2017

本文提出了一种基于谱技巧和‘镜像’技巧的简单方法，用于解决由 k 个线性分类器组成的回归函数的判别学习问题，并证明了该方法在特征向量分布服从概率假设下具有近乎最优的统计效率。

Nov, 2013

本研究介绍了一种基于联合张量和矩阵分解的动态匹配方法，旨在实现从多个分类器集合中无损学习。该方案效果得到了在真实和合成数据集上的评测。

Dec, 2017

本文提出两个完全基于代数的评估算法来处理嘈杂的二元分类器的未标记数据流，第一个基于多数投票，第二个是本文主要贡献，保证正确性。

Jun, 2023

本文提出了一种用于排序一系列物品的序列算法，将基于成对比较构建相似性矩阵后使用序列方法进行排序。在排名恢复和噪声处理方面，它比传统评分方法更具鲁棒性，并且还可以解决半监督排名问题。使用该算法进行排名的表现竞争性更好。

Jun, 2014