本文介绍一种新的参数化定向metric学习方法，通过学习数据流形上的平滑metric矩阵函数，将本地度量作为区域不同点的锚定点上定义的基本度量的线性组合来学习，并应用manifold正则化来使学习到的metric矩阵函数沿着数据流形的测地线平滑变化，表现出极好的预测能力和可扩展性，并优于多种全局和局部的最先进的度量学习方法以及具有自动内核选择的支持向量机(SVM)。

Sep, 2012

本文提出了一种从数据中学习贝叶斯网络的新方法——显式地表示和学习CPT中的局部结构，从而提高所学习到的网络的质量，增加了可能的模型空间，并能够诱导出更好地模拟数据中存在的相互作用复杂性的模型。

Feb, 2013

本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

Nov, 2014

提出了一种名为structure2vec的基于嵌入潜在变量模型的结构化数据表征方法，利用判别性信息进行特征空间学习，在数百万数据点的应用中运行速度是传统方法的两倍，模型则小 $10,000$ 倍，同时达到了最先进的预测性能。

Mar, 2016

提出了一种通过使用相对距离约束来学习核矩阵的有效算法来解决度量学习问题，并在半监督聚类设置中进行了实验评估以验证其有效性。

Dec, 2016

本文提出了一种简单的，能够使权重最优化的局部加权回归/分类方法，并能够为需要估计值的每个数据点高效地找到权重和最优化的邻居数量，从而在多个数据集上展示了比标准局部加权方法更优异的性能表现。

Jan, 2017

研究使用局部-$k$-最近邻分类器的全局超额风险的渐近展开式，通过此理论发现半监督学习问题中的局部选择 $k$ 能够实现额外风险的收敛速率，同时通过模拟研究验证了该理论。

Apr, 2017

本研究提出了一种名为NCL的新框架，旨在学习具有判别性的表示，从而创建一个用于聚类性能的新类别发现（NCD）任务，其中，利用特征提取器生成的表示来检索和聚合伪正对，虽然大多数实例很容易通过网络进行区分，但我们通过在特征空间中混合标记和未标记的样本来生成难以区分的样本。实验证明，这两个组成部分显著提高了聚类性能，并使我们的模型在CIFAR-100和ImageNet上的聚类准确性提高13％和8％，远远超过现有方法。

Jun, 2021

Manifold learning is a set of methods to find the low dimensional structure of data, allowing visualization, de-noising, and interpretation, with a focus on statistical foundations and parameter choices.

Nov, 2023

本研究解决了传统 $k$-最近邻算法中邻居数 $k$ 定义不当的问题，提出了一种新颖的自适应 $k$-最近邻 ($kK$-NN) 算法。该方法通过局部估计曲率动态调整邻域大小，实验证明该算法在处理有限训练样本时表现出优越的平衡准确率，展现了更强的分类能力。

Sep, 2024