该论文提出了一种改进的 K 近邻分类器，它可以自适应地为每个查询选择 K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

May, 2019

本文提出了一种新的最近邻方法，它能够适应不同空间区域的不同距离尺度，并分析其在度量空间的行为，从而得出分布相关的有限样本收敛速率，并实现了广泛数据空间的最近邻的普遍一致性。

Jun, 2014

该论文探讨了基于模板方法选择数据集中的样本子集，以在分类场景下实现数据精简，即挑选代表性样本集合进行分类任务的研究，并提出了一种基于集合覆盖优化的方法来解决这一问题。

Feb, 2012

我们研究数据选择问题，将利用 $k$-means 聚类和敏感性抽样方法，基于模型损失的嵌入表示，可选择一组典型样本，其平均损失与整个数据集的平均损失相对应，具有可证明的性质，并且在微调基础模型上表现优于最先进的方法，同时展示了它如何应用于线性回归，提供了一个更简单且可扩展性更强的抽样策略。

Feb, 2024

使用近邻法分类时间序列的理论依据是，许多应用场景下实际上原型时间序列相对于我们可以访问的时间序列数量非常少；作者提出了一种基于潜在源模型的分类规则，并在合成数据上验证了加权多数投票与近邻分类的同等正确分类率。通过这种方法，在 Twitter 上可以提前 1 小时 26 分钟实现 95% 的 “趋势话题” 检测。

Feb, 2013

通过基于 Transformer 网络的 KNN 近似来构建数据驱动的分区，再通过 Inductive Venn 预测器进行校准，从而实现对不确定性的量化和计算机分类模型预测集的标记，进而实现最终任务的目标。

May, 2022

本文提出了一种在分类器内部实现选择机制的方法与一种基于熵的正则化器，并取得了新的最高水平表现。

Jun, 2022

研究多类分类问题中 $k$- 近邻分类器的平滑参数选择方法，提出一种基于凸组合的聚合方法并证明其适应未知平滑参数和边际，以及在温和条件下的收敛速率。

Apr, 2018

在采样技术的研究领域，我们提出智能采样的概念，既可以创建新算法，也可以修改其他领域的适当算法以满足采样需求，经过定量和定性比较发现，简单的算法可以轻松地满足超参数优化、数据分析等方面的采样需求，并且优于当前使用的更复杂的算法，从而更好地利用时间和计算资源。

Jun, 2023

研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。

Oct, 2018