提出了一种名为 structure2vec 的基于嵌入潜在变量模型的结构化数据表征方法，利用判别性信息进行特征空间学习，在数百万数据点的应用中运行速度是传统方法的两倍，模型则小 $10,000$ 倍，同时达到了最先进的预测性能。

Mar, 2016

本论文提出一种新颖的矩阵值和张量值特征，可以利用未标记的样本进行预训练，并给出了有效算法来提取判别信息。通过在矩阵和张量上应用高阶评分函数，我们可以提取丰富的判别信息，并建立了理论框架来描述与标记样本一起使用评分函数特征所提取的判别信息的性质。最终，我们提出了一种新的框架来利用输入的生成模型进行判别学习。

Dec, 2014

使用单词特征向量以及无监督学习，提取文档中的独立特征词，构建文档特征向量，并在文本分类任务中证明了该方法的有效性。

Nov, 2022

本文提出了一种新的学习范式，以自动从非常高的维度中识别出信息丰富且相关的特征组。通过利用相关度量作为约束条件，我们提出了一种有效的嵌入式特征选择方法，可以识别出最优的有区分性而且不相关的特征子集，即所谓的支持特征。在学习过程中，还可以发现与每个支持特征相关联的相关特征的基础组结构，即附属特征，而不需要任何额外成本。 在合成和高维真实世界数据集上的广泛实证研究验证了所提出的方法的有效性和效率。

Jun, 2012

高维重叠高斯混合模型 (GMM) 数据的二元分类的贝叶斯最优决策边界的闭合表达式会根据类协方差的特征结构而变化。通过对由真实数据启发的合成 GMM 数据进行的实验，我们从经验上证明了深度神经网络在分类训练中学习预测器可以近似得到最优分类器。我们进一步拓展了对真实数据训练的网络的研究，观察到决策阈值与协方差的特征向量相关而不是特征值，从而反映了我们 GMM 分析的结果。这为神经网络从错综复杂的分布中执行概率推断和提取统计模式的能力提供了理论洞见。

May, 2024

本文提出了一种新的多类别线性判别分析 GO-LDA 方法，通过构造每个步骤中最大化 Fisher 准则的正交鉴别方向可以分离投影数据。该方法在多种模式识别和分类问题上都能提高准确性。

May, 2023

域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过 Selective Channel Pruning 和 Micro-level Distribution Alignment 两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。

Sep, 2023

本文介绍了拉普拉斯矩阵的第二特征值和相关特征向量在无向图中的基本特征，并提出了第二特征向量的局部偏差模型，用于半监督方式下确定数据图的本地性质和优化问题，从而可以在近线性时间内计算最优解，并提供了在社交和信息网络中找到具有局部偏差的稀疏线性切割的详细实证评价。

Dec, 2009

本文提出一种基于高阶得分函数的矩阵和张量特征，通过使用未标记的样本进行预训练，然后使用高效算法从这些预训练的特征和有标记的样本中提取区分信息，最后提出了一种利用输入的生成模型进行区分学习的新框架。

Dec, 2014

研究在高维情况下通过经验风险最小化学习具有通用质心的两个数据点云的特征，涵盖了大量的数据分布，包括高斯混合分布和幂律分布，并分析了通过正则化的作用，推导了估计器的泛化性能，并探究了分布尺度参数对可分离性转换的影响。

Apr, 2023