本文探讨计算和统计方面的学习线性阈值的问题，特别是噪音的存在对该问题带来的影响及其应对方法。
Oct, 2020
本研究提出了 OTLP，一个使用混合整数线性规划的阈值化框架，它在各种问题中都能提供模型不可知、支持不同目标函数和不同约束集的能力，特别适用于平衡和不平衡的分类问题。通过使用信用卡欺诈检测数据集，我们评估了该框架的实用性。
May, 2024
本文提出了门槛不变的公平性的概念，通过两种近似方法来均衡不同群体之间的风险分布，实现了对机器学习模型公平性的提高。
Jun, 2020
该研究考虑在线主动学习来收集回归建模的数据，提出了一种基于阈值的算法来选择最具信息量的观测数据，并将其推广到高维稀疏线性回归，仿真结果表明该算法相对于被动随机抽样具有显著优势。
Feb, 2016
通过理论考虑和数值实验，本文研究了阈值法在阶序回归问题中的分类性能与数据分布以及一维转换学习程序之间的影响。研究发现，当目标变量在解释变量条件下的概率分布趋向于非单峰分布时，基于典型学习程序的阈值法可能表现不佳。此外，基于分段线性损失函数的学习程序得到的一维转换值集中于少数几个点，这可能导致难以对数据进行良好的分类。
使用神经网络进行运行时监测在关键系统中变得越来越重要，以排除推理过程中的不安全预测。本研究通过对多个图像数据集进行严格实验，调查了监测器在处理未知威胁（未在阈值调整期间出现）方面的有效性，以及将通用威胁整合到阈值优化方案中是否可以增强监测器的鲁棒性。
本文提出了一种名为 PT-bagging 的概率阈值打分组合方法解决了数据挖掘中类别不平衡的问题，并对其进行了验证和分析。
Jun, 2016
本研究系统地研究了类别不平衡对卷积神经网络分类性能的影响，并比较了几种解决该问题的常用方法。在使用三个基准数据集进行实验的过程中，研究者发现类别不平衡对分类性能有不利影响，而通过过采样的方法可以提高分类性能。同时，该研究还发现阈值补偿在一定场景下也能够提高分类性能。
Oct, 2017
模型得分和不确定性对决策边界的选择有关，该研究提供了理论分析和经验证据来证明模型得分估计偏差依赖于不确定性和得分本身，通过动态规划和保序回归算法提出的方案在三个真实数据集上比传统的只使用模型得分方法，在高精确度边界下获得了 25％-40％的召回率提升，凸显了利用不确定性的好处。
Nov, 2023
在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。
Sep, 2023