介绍一种新的程序，称为中位数对决，可在最小假设下实现准确性和置信度之间的最优权衡，并在特定情况下优于基于经验风险最小化的传统方法，用于统计学习 / 回归问题

Aug, 2016

本文提出了一个新的 Bayesian 方法，以实现 Mallows rank 模型的有效计算，并推导出该模型下的共识排序，特别是当考虑到部分排序时，也给出了考虑到评估者个体差异的混合模型，同时在推荐系统中对评估者进行类别预测。

May, 2014

本研究探讨了在线偏好聚合的自然模型，使用广义 Min-Sum-Set-Cover 问题作为形式化模型，将排序降维到双重随机矩阵空间，并应用在线梯度下降技术以在多项式时间内实现 GMSSC 低遗憾学习，以提高学习效率。

Nov, 2020

文章介绍了一种基于几何总体中位数组比赛的正则化风险最小化程序，该程序在包括重尾预测器和响应变量在内的一般条件下实现了接近最优的精度和置信度，并表明该程序在重尾问题中优于标准的正则化经验风险最小化程序，例如套索或斜率。

Jan, 2017

提供了一种基于 LP-rounding 的近似算法来解决有序 k-Median 问题，并探讨了包括权重和距离分配方法在内的多种算法来处理该问题。

Nov, 2017

本文研究介绍了两种分布式非凸优化算法：signSGD 和 medianSGD，并发现它们在数据异构的情况下是不收敛的。作者提出了一种梯度校正机制来消除梯度的平均值和中位数之间的差异，该方法保留了这些方法的良好性质，并实现了全局收敛。此外，该文中所提的梯度校正技术在其他估计平均值的场合也有独立的应用价值。

Jun, 2019

通过利用任务之间的相似性，甚至用较小的任务来弥补缺少大规模数据任务的不足，提出了一种鲁棒的基于谱方法的算法，同时具备对异常值的鲁棒性和优良的统计折衷。

Jun, 2020

研究在机器学习中，基于两两比较对一组 n 个项目进行排名的问题，提出了一种基于置信区间的活跃排名算法，通过近似排序来减少比较次数。

Jan, 2018

本文提出了一种使用排名损失函数和等变回归来优化概率预测的技术，具有良好的排名和回归性能，并且在概率分布上比逻辑回归等统计学习方法表现更好，证明了该技术在实际应用中的有效性。

Jun, 2012

本文通过开发新颖的预言不等式，针对正则化成对排序的高斯核算法，推导出在输入空间具有一般盒计数维度假设的情况下，结合噪声条件或标准光滑条件下，高斯排序估计器的快速学习速率，进而提高现有估计的理论分析水平，表明输入空间的低内在维数有助于实现速率的绕过维度诅咒。

Apr, 2023