本文讨论了如何通过用户反馈学习模式的质量函数，并提出了使用更复杂的直接从模式排名派生的特征来替代现有方法中的低级特征，以及如何将多样性约束纳入交互式挖掘系统中。实验结果表明，在参数选择和特征工程方面的优化会提高挖掘算法的性能。

Apr, 2022

提出了基于功能分解的模型不可知复杂度量度来量化任意机器学习模型的复杂度，并展示了在同时最小化损失和复杂度的多目标优化中应用这些量度的方法。

Apr, 2019

本研究提出了基于联合对角化的新的 5 阶部分对称张量约束 CPD 算法，与现有的基于交替最小二乘法和增强线性搜索的算法相比，本算法的主要步骤不需要更新载荷矩阵，因此速度更快，在保持良好性能的同时提高了计算 CPD 鲁棒性。模拟结果证明了该算法的优越性。

Nov, 2013

本文提出了一种新的采样算法 MACH，用于计算 Tucker 分解，能够有效地处理大规模，计算密集型和后期数据分析的多方面数据。

Sep, 2009

本文提出了 D-PAD，一种深浅多频模式解缠深度学习神经网络，通过引入多组分分解块（MCD block）将时间序列分解为不同频率范围的分量，进而通过分解 - 重构 - 分解（D-R-D）模块渐进性地提取混合在分量中的频率信息，并利用交互与融合（IF）模块进一步分析分量，通过对七个真实数据集的广泛实验表明，D-PAD 达到了最先进的性能，平均 MSE 和 MAE 分别优于最佳基准线 9.48％和 7.15％。

Mar, 2024

该研究提出了一种信息熵方法，可以量化多模态分布中输入特征之间的冗余、独特和协同作用，以帮助模型选择和应用。

Feb, 2023

本文提出了一种基于图分类的方法，用于自动确定是使用整体式还是分解式的解决方案方法；通过适当的特征集，将优化问题表示为捕捉问题的变量和约束之间的结构和功能耦合的图；构建图分类器以确定给定问题的最佳解决方法；以解决分析凸混合整数非线性规划问题时使用分支定界法还是外逼近算法为例展示了所提出方法的应用；最后，展示了学习到的分类器如何并入现有的混合整数优化求解器中。

Oct, 2023

本文介绍了用布尔张量分解 (BTD) 对多层二次关系数据进行概率建模和处理的方法，并且显示出在进行模型选择和处理缺失数据时优于现有的技术。作者使用了几个真实数据集，其中最大的一个数据集涉及了超过 $10$ 亿个数据点。

May, 2018

通过机器学习方法学习大规模优化问题的分解式解决方法，从而在计算时间上实现最优初始化，进而用于解决混合整数模型预测控制问题，结果表明该方法能显著减少解决时间并减少所需数据。

Oct, 2023

通过开发 AgileFD 算法，建立了一个新的卷积非负矩阵分解，使其能够快速地从一组组合的 X 射线衍射数据中映射出相图，并且能够标示其成分相对浓度与格参数随组分变化的规律，同时还能够将 Gibbs 相律纳入该算法中，形成物理上有意义的相图，可在不受监督的操作下完成，加入专家知识后，可获得更精细的解决方案。该算法对 V-Mn-Nb 氧化物体系的研究表明，其能够发现新的太阳能吸收剂以及通过合金化调节 MnV2O6 的带隙能量。此外，这个开放源码的 AgileFD 算法家族可以用于加速材料创新研究的广泛工作流程。

Oct, 2016