提出了三种计算和统计效率高的算法来推断高维 Single Index Models (SIMs)，相对于广义线性模型（GLM）和低维 SIM 方法，实验证明了我们的方法具有更好的学习性能和优越性。

Jun, 2015

该研究提供了一种用于学习广义线性模型和单指数模型的算法，该算法在计算和统计方面均具有效率，通过实证研究证明可行。

Apr, 2011

高维数据的分析引起了对单指数模型和最佳子集选择的日益关注，本文提出了第一个在高维单指数模型中具有可扩展性的证明可规模化的算法来进行最佳子集选择，该算法使用广义信息准则来确定回归系数的支持大小，消除模型选择调优。

Sep, 2023

本论文给出了学习任意单指标模型的全新结果，其中所需的激活函数参数满足 Lipschitz 范数和单调性，算法及分析基于 Bregman 距离和匹配损失的联系，同时也对 GLMtron 和逻辑回归等算法在普遍学习场景给出了新的保证。

Jun, 2023

SIMBa 是一种使用反向传播的离散线性多步提前状态空间系统辨识方法家族，它通过引入 Schur 矩阵的基于线性矩阵不等式的自由参数化来确保辨识模型的稳定性。SIMBa 通常胜过传统线性状态空间辨识方法，并能在同时实现最先进的拟合性能和稳定性的情况下，承担更高的计算负担。

Nov, 2023

单指标模型是高维回归问题，根据未知的一维投影通过非线性、潜在非确定性的变换，标签与输入相关，涵盖了广泛的统计推断任务，提供了在高维领域研究统计和计算权衡的丰富模版。我们证明了在统计查询（SQ）和低次多项式（LDP）框架内计算高效算法所需的样本复杂度最低为 Ω(d^k/2)，其中 k 是与模型关联的 “生成” 指数，我们明确定义了这个指数。此外，通过使用部分跟踪算法建立的匹配上界证明了这个样本复杂度也是充分的。因此，我们的结果表明，在 SQ 和 LDP 类中，只要 k>2，计算与统计之间存在明显的差距。为了完成这个研究，我们提供了具有任意大生成指数 k 的平滑和 Lipschitz 确定的目标函数的示例。

Mar, 2024

使用卫星图像与机器学习相结合，可以远程估计数据贫乏地区的社会经济和环境条件，而这种方法可能会受到资源需求的限制。该研究表明，一种单一的卫星图像编码可以概括各种预测任务的要求，如林地覆盖、房价和道路长度。该方法不仅能够在成本低的情况下达到与深度神经网络相同的准确率，而且同时具有全球扩展性、标签分辨率和不确定性特性，因此实现成果共享。

Oct, 2020

TriSIM4Rec 是一种处理动态交互图上推荐问题的模型，它采用三重结构信息（用户 - 项目共现、用户交互的时序信息、项目间转移概率）并成功进行了融合，从而实现了推荐的高准确率、可解释性和交互性.

Apr, 2023

提出了一种物理信息驱动的机器学习方法，用于近似奇异干扰系统的慢不变流形，并提供了简单的功能形式，以促进简化模型的构建和数值积分。通过三个基准问题的评估，证明了该方法的效率和准确性优于传统的基于 Geometric Singular Perturbation Theory 的方法，并且对扰动参数的大小没有影响。

Sep, 2023

本文研究了一种自然的浅层神经网络，通过梯度流学习单指数模型，表明这种方法的优化效果良好，并且具有与半参数方法相当的泛化能力。

Oct, 2022