通过自适应查询变量值评估离散函数的策略的设计，该算法可以同时实现预期和最坏情况下的对数逼近，即使在计算费用较高的情况下，该算法也可以作为一种自动诊断和主动学习的解决方案。

Sep, 2013

本论文通过研究影响因素较大的输入变量，证明了一个关于平衡布尔函数复杂度下界的结论，并进一步应用于研究随机查询复杂性的下界。

Aug, 2005

给出了一种算法，该算法在任意插入和删除已标记示例的序列上维护了一棵近似的决策树，并具有最坏情况下的运行时间保证。

Feb, 2023

证明了使用查询从头系统地学习决策树是 NP 难的，解决了学习理论中悬而未决的一个问题。在证明中，通过引入硬度凝聚的概念，简化并加强了决策树极小化的最优下界，并研究了决策树复杂度的硬度凝聚。结果展示了分布假设在该问题上的戏剧性影响。

Jul, 2023

我们考虑了在查询的条件下正确地进行 PAC 学习决策树的任务，通过使用新的简化证明以及决策树的新异或引理，我们证明了即使允许在最优大小的任意常数因子内，该任务仍然是 NP 难的。

Jul, 2024

研究了基于体积衰减过程动态演变的决策者行动依赖数据分布下的最小化预期损失问题，提出了针对信息设置和损失函数的两种全新算法，经过实验验证可显著提高机构目标（目标占用）并降低停车费率。

Apr, 2022

本文研究最优决策树，自适应 TSP 问题以及如何在度量空间中访问子集，并给出了多项式对数逼近算法。

Mar, 2010

对于一个具有未知权重的图，如果我们知道一些节点子集关联的最小 Steiner 树，那么我们能否找到一对节点的最短路径？本文研究了这样一个原型问题，称为具有任务转换的查询 - 决策回归，重点关注最短路径问题和最小 Steiner 树问题。我们提供了关于构建评分模型的可实现假设空间设计的理论洞察，并提出了两个有原则的学习框架。我们的实验研究显示，这样的问题可以在统计显著性的程度上得到较好的解决。

Feb, 2024

本论文主要研究将一组决策树表示为较小的一组决策树的问题，其中只考虑二进制域上的二元决策问题和简单决策树。通过实验，我们展示了如果 $n-T$ 是一个常数，即 $n$ 和 $T$ 必须是奇数（以避免并列情况），则 $n$ 个变量的多数函数可以由 $T$ 个决策树的集合以多项式大小表示，同时也证明了如果 $n-T$ 是一个常数且允许小的分类错误，则 $n$ 个决策树可以由 $T$ 个决策树的集合以多项式大小表示。我们还介绍了关于 $k$ 个为真的 $n$ 个函数的相关结果。

Dec, 2023

本文介绍了一种参数化确定性优化模型的方法，以代替在解决多阶段随机规划问题时繁琐的随机或动态规划方法，该方法可以有效地处理不确定性，并用非定常储能问题和滚动预测演示了其应用。

Jan, 2022