本文提出了一种可学习的线性分配求解器，基于深度图网络实现，将费用矩阵转换为二分图，并通过节点和边的特征聚合和更新来选择可靠边，实验结果表明，与现有算法相比，该方法在保证准确性的前提下，能有效提高处理规模。此外，该分配求解器在多目标跟踪领域有着广泛的应用。

Jan, 2022

提出一种新算法 - Laplacian K-modes 聚类算法，它融合了聚类中三种不同的思想：K-means 中的隐式分配变量，mean-shift 中的密度估计，和图拉普拉斯正则化效应中的近邻点相似性分配，该算法可以解决难以聚类的问题，同时提供了一个预测新点的软分配映射。

Jun, 2014

本研究提出了一种用于稀疏编码（SC）问题的高效算法，既适用于单个字典设置，又适用于形态学组分分析（MCA）中的多个字典设置；该算法采用深度学习结构，可以加速获得稀疏编码，并在提高运行速度、提高数据质量和改善视觉清晰度方面取得了巨大的改进。

Feb, 2018

本文提出了一种称为 Poisson 学习的新框架，用于在标签率非常低的情况下进行基于图的半监督学习。该方法取代了在训练点处分配标签值的过程，并将其替换为源和汇的布置，并在图上解决了由此产生的泊松方程。数值实验证明，该方法优于 MNIST，FashionMNIST 和 Cifar-10 上的半监督学习的其他最新方法，并且是高效且易于实现的。我们还提出了一种名为 Poisson MBO 的 Poisson 学习的图割增强方法，可以提高精度并可以包含相对类大小的先验知识。

Jun, 2020

本文探讨如何解决标签偏移的域自适应问题，提出了基于影响函数几何的时刻匹配框架，讨论了一种名为 ELSA 的解决方案，并通过大量实验证明该方法在无需繁琐的后验校准的情况下，能达到与最先进方法一样的性能并获得计算效率的提升。

May, 2023

使用深度无监督学习方法（DUL）来解决无线通信领域中的资源分配问题，该方法通过使用自定义的损失函数对深度神经网络进行训练。结果表明，使用该方法可以在更短的时间内获得接近最优解的结果。

Mar, 2021

本论文提出了一种名为 Latent Distribution Adjusting（LDA）的统一框架，通过多个样本原型来调整复杂的数据分布，以改善面部防欺骗模型的鲁棒性，并能适应多种不同分布的数据集。实验结果表明，此框架在多个标准的面部防欺骗基准测试中表现良好。

May, 2023

基于正半定函数的优化算法，采用组合图像分析方法和最优双射算法，提出了基于结构化图数据的 Weisfeiler-Lehman 优化分配核，有效提高了常规的 Weisfeiler-Lehman 核图像分类准确率。

Jun, 2016

本文提出 LASSI 方法，应用生成建模来解决在高维数据环境下学习个体公平表示的问题，并通过随机平滑来确保端到端公平。实验证明该方法提高了最多 90％的认证个体公平性，而对任务效用的影响不显著。

Nov, 2021

该研究提出了一种新的矩阵逼近模型，其中假设只有部分的矩阵是局部低秩的，并将观测矩阵表示为低秩矩阵的加权和，实验表明该方法在推荐任务中可以提高预测准确度。

Jan, 2013