基于模型树的类比软件工作量估计适应策略
本研究调查了集成学习在类比式努力估计中的应用潜力，比较了使用的类比数 k，研究发现，将集成方法应用于调节方法可以显著提高预测性能，而线性调节方法的表现更佳，推荐使用线性调节方法进行集成。
Mar, 2017
该论文提出了一种基于 Bisecting k-medoids 聚类算法的新技术，利用该技术可以发现最佳的相似性集合来预测软件工程的工作量，其性能比其他常规相似性集合方法更好。
Mar, 2017
通过引入基于属性的任务属性距离（TAD）度量来量化任务相关性，本文探讨了少样本学习（FSL）中任务之间的关系对模型在新任务上适应困难程度的影响，并使用实验证实了 TAD 度量能够有效量化任务相关性并反映不同 FSL 方法在新任务上的适应困难程度。
Mar, 2024
通过学习较简单的 “问题模式” 结构表示，并结合众包和递归神经网络从产品描述中提取目的和机制向量表示，使我们在寻找类比时可以比传统信息检索方法获得更高的精确度和召回率，在创意发想实验中，模型检索的类比与传统方法相比， 显著提高了人们产生创造性想法的可能性，这一结果表明，在许多大规模的现实生活情境下，学习和利用较弱的结构表示是实现计算类比的一种很有前途的方法。
Jun, 2017
本研究提出了一种基于树模型进行模型平均的方法，旨在提高分布式数据网络下个性化治疗效果 (CATE) 估计精度，包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。
Mar, 2021
该论文提出了一种基于嵌入的新型度量学习方法，通过嵌入树节点向量来学习编辑距离，使欧几里得距离支持类别判别并提高分类准确率，该方法在包括计算机科学、生物医学和自然语言处理数据集的六个基准数据集上优于目前树形度量学习技术的最新技术。
May, 2018
本研究的主要目标是了解数据流挑战（例如概念漂移）对自动化机器学习（AutoML）方法的性能产生的影响，并评估 6 种概念漂移适应策略在不同 AutoML 方法上的有效性。该研究在现实世界和合成数据流上进行了实证评估，提出方法来开发更复杂和更健壮的 AutoML 技术，包括贝叶斯优化、遗传编程和随机搜索自动堆叠等方法。
Jun, 2020
本文在未知的结构因果模型 G 执行未知干预收集的数据集的基础上，使用随机优化的收敛速率，对因果关系下的结构因果模型 (SCMs) 适应速度进行了研究，并利用参数空间距离作为代理来衡量适应速度。我们发现，当干预在原因变量上时，SCM 的正确因果方向会得到巨大优势，而当干预在效应变量上时，我们对其相对适应速度进行了表征。令人惊讶的是，我们发现反因果模型在某些情况下具有优势，从而推翻初始假设。
May, 2020