通过使用权重矩阵本身进行矩阵重新加权，我们提出了一种放松的 WLRA 解法，该方法可以输出一个并非低秩矩阵，但可以使用非常少的参数进行存储，并在权重矩阵具有低秩时给出可证明的近似保证。此外，我们的算法在模型压缩和合成数据集方面展现出非常出色的实证性能，并为与此问题相关的自然分布问题提供了几乎最佳的通信复杂性界限。

Jun, 2024

本文研究了带权低秩逼近算法的计算复杂度，并证明了即使在寻求秩为一的逼近解时，找到近似解也是 NP 难的，该证明基于最大边双团问题的约化并适用于严格正权重和二进制权重。

Dec, 2010

本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

Jan, 2021

使用人类反馈进行强化学习的 WARP 方法，在保持预训练知识的同时优化奖励函数，经过迭代逐渐改进 KL - 奖励的权衡，提升了 GEMMA 策略的质量和对齐度。

Jun, 2024

通过 ACOWA 技术，在分布式训练中，通过额外的通信轮次获得更准确的近似解，相较于其他分布式算法，对于稀疏分布式逻辑回归，ACOWA 获得更接近经验风险最小化的解并实现更高的准确性。

Jun, 2024

使用 WERank 作为网络权重参数的正则化方法，在自监督学习中防止降维，提高图表自监督学习的效果。

Feb, 2024

本文提出了一种简单的方法，通过从非参数核回归中的一些想法得出训练实例的加权总和来预测标签，并在符合性方法的框架内提出了一种新的非一致性测量法，实验验证了理论预期，证明了在不影响准确性或校准的情况下，提高了透明度、可控的错误率和抵抗域外数据的鲁棒性。

Nov, 2018

该研究建立了 PAC 学习高维图模型与图结构计数和采样的新联系，使用在线学习框架，给出了新的样本复杂度界限以及面向树形和给定和弦骨架的贝叶斯网络的多项式样本和时间算法。

May, 2024

本文研究了具有单调对手的前 K 名排名问题，在随机生成的比较图的基础上，统计学家的目标是根据半随机比较图中的成对比较，准确地确定前 K 名的首选项目。主要贡献是开发了一种加权的最大似然估计器，它在样本复杂度方面实现了接近最优的性能，最多有对数因子 (log^2 (n))，其中 n 是比较的项目数量。通过分析和算法创新的组合实现了这一目标。

Feb, 2024

自动语音评估（ASA）通过最近的研究中使用自监督特征（SSL）取得了显著进展。然而，在 ASA 中存在一个关键挑战，即数据的不平衡分布，特别在英语测试数据集中表现明显。为了解决这个挑战，我们将 ASA 视为一个序列分类任务，引入了加权向量排序相似度（W-RankSim）作为一种新的正则化技术。W-RankSim 鼓励输出层中加权向量更靠近类似类别，这意味着具有相似标签的特征向量在收敛到相应的加权向量时逐渐靠近彼此。广泛的实验评估确认了我们方法在提高 ASA 的序列分类性能方面的有效性。此外，我们提出了一个混合模型，结合了 SSL 和手工制作的特征，展示了手工制作特征如何增强 ASA 系统的性能。

Jun, 2024