本研究证明了自适应学习（Self-paced learning）中的求解策略符合最大化最小化算法的实现方法，并发现其中包含的损失函数类似于统计学和机器学习中已知的非凸正则化惩罚（NSPR），如 SCAD、LOG 和 EXP。通过这些发现，揭示了在弱标记大规模数据处理任务中，本文设计的组偏序损失先验对 SPL 的有效性具有重要贡献且达到了业界最优效果。

Nov, 2015

本论文研究了一个新的自适应学习方法 —— 自适应隐式规则化器，并提出了用于该方法的通用框架。该框架使用基于凸共轭理论的隐式损失函数学习最小化函数，从而能够更好地权衡避免过拟合和学习难度逐渐加大之间的关系。同时，研究还发现该方法与半二次优化方法的关系，并通过实验验证了其正确性和有效性。

Jun, 2016

该论文提出了一种名为分布式自适应学习（DSPL）的方法，该方法可以对大规模数据集进行优化，解决了传统自适应学习在并行计算中无法处理的问题。该方法在合成数据和真实数据上进行了广泛实验，证明了其在实践中的优越性。

Jul, 2018

本文提出了一种新颖的廉价人脸识别框架，该框架通过联合活跃学习和自主学习的方法自动注释新实例并将其纳入训练，以实现分类器的有监督微调。实验结果表明，该框架在两个具有挑战性的数据集上具有非常良好的表现。

Jan, 2017

使用深度学习，自适应加权采样与各向同性约束，提高人物重识别精度。

Oct, 2017

通过自带课程学习和基于自适应学习的绝对学习进度正则化方法，加速强化学习的计算，提高其效率。

Jun, 2023

设计了一个语义概率层，可以将其插入到任何神经网络中，保证其预测与一组预先定义的符号约束一致，以此来预测结构化输出，它能够模拟复杂的相关性和硬约束，实现最大似然的端到端学习，对于其他神经符号方法无法处理的结构化输出任务，SPL 的效果要好得多，并且能够满足完美的约束条件。

Jun, 2022

我们提出了一个自主进程的权重整合（spWC）框架，通过评估以前任务的辨别贡献，以实现鲁棒的连续学习。

Jul, 2023

本文提出了自适应稀疏编码（Self-Paced Sparse Coding，SPSC）框架，可逐步从简单到复杂地包含矩阵元素到编码学习中，以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。

Sep, 2017

本研究提出了一种自适应学习集成算法，通过自学习，将多个机器学习模型相互学习并结合起来，实验结果表明该算法在三个音频任务中相比基准集成模型有显著的性能提升，说明了模型之间互相学习的有效性。

Mar, 2021