本文探讨了机器教学的逆问题，提出了一种新的范例，即学习者使用迭代算法，教师可以根据学习者当前的表现顺序地、智能地提供示例。它着重于实现学习者模型的快速收敛，可以通过设计教学算法减少教学示例并比没有教师进行教学的学习实现更快的收敛。

May, 2017

本文介绍了一种跨空间机器教学的方法，提出了主动查询学习者的机制以提高收敛速度，并比较了不同教师模型的实验验证结果。

Oct, 2017

本文提出了一种更智能的机器教学范式，即一次性机器教学，并建立了可行的映射方法设计最优化（通常为最小）教学集，以便更快地收敛，从而证明了新教学范式的智能性并验证了该策略的有效性。

Dec, 2022

该研究针对离散输入空间（即有限样本池）限制了老师的能力，提出一种基于连续输入空间的数据幻觉教学方法，即 DHT，可根据标签、学习者的状态和目标概念智能生成输入数据，实现迭代式机器教学。在多种教学设置下进行了广泛的实证研究，证实了 DHT 的有效性。

Oct, 2022

在非参数迭代教学设置中，我们研究了同时教授多个学习者的问题，这是由当前单个学习者教学环境与真实的人类指导情景之间的差距所引发的。在新的问题阐述下，我们引入了一个新的框架 -- 多学习者非参数教学（MINT）。在 MINT 中，教师旨在指导多个学习者，每个学习者专注于学习一个标量值目标模型。为了实现这一点，我们将问题框架转化为教授一个矢量值目标模型，并将目标模型空间从用于单个学习者场景的标量值再生核 Hilbert 空间扩展到矢量值空间。此外，我们证明了 MINT 相比于重复的单个学习者教学提供了显著的教学加速，尤其是当多个学习者可以相互交流时。最后，我们进行了大量的实验，以验证 MINT 的实用性和效率。

Nov, 2023

本文研究了交互式环境下如何基于学生当前状态，用一种新的模型进行自适应教学，提高版本空间学习者的学习效率和可理解性。通过有效算法和用户测试，验证了提出的模型相较于现有模型的多种优点。

Feb, 2018

我们研究了一种机器教学模型，其中教师映射是根据概念和示例的大小函数构建的。我们证明了最小示例数量问题的一个猜想，该猜想认为在这个模型中，作为概念类的大小函数的函数，最坏情况发生在一致性矩阵包含从零开始的数字的二进制表示时。

Feb, 2024

本文研究非参数迭代机器教学问题，提出了一种基于随机和贪心方法的函数优化算法应用于此问题，并通过大量实验验证了理论发现的正确性。

Jun, 2023

本文探讨了机器教学的问题，提出了基于马尔可夫决策过程的序列教学问题。通过研究多臂老虎机学习器的模拟实验和用户研究，探究了教学规划和学习者具有教师模型两种方法对于学习效果的影响，分别从学习者的角度和教师的角度考虑互动智能系统的策略行为，提供了新的研究方法。

Sep, 2018

研究机器教学中教师与学生 / 学习者的交互，考虑教师知识存在不完美和嘈杂的情况，研究教师如何在这种情况下通过构建最佳教学集成功或失败地有效教授学习者以完成特定任务，其结果对于设计现实世界中的健壮教学算法具有重要的启示。

Mar, 2020