本文研究基于距离比较的序列嵌入问题，考虑给定的限制条件因人类判断而产生误差和变异性，提出了新的算法来预测和优化嵌入结果。

Jun, 2016

本文提出了一种基于地标的策略，称为 Landmark Ordinal Embedding（LOE），来解决现有的序数嵌入问题，通过利用潜在嵌入的低维度来平衡统计效率和计算效率，并在 Bradley-Terry-Luce 噪声模型下说明了 LOE 的统计一致性，并通过对计算复杂度进行严格分析，证明 LOE 在项目数量增加时明显比传统序数嵌入方法更高效。同时，本文还提出了一种实用的方法，利用 LOE 来热启动更具统计效率但计算代价较高的现有方法。

Oct, 2019

本文提出了学习概率顺序嵌入来表示每个数据的方法，这些嵌入由多变量高斯分布表示，以更好的建模回归中的不确定性，并且可以与流行的回归方法集成，通过实验结果证明其具有竞争性的表现和确定性评估的能力。

Mar, 2021

探索处理在不足样本情况下的领域泛化问题，通过学习基于概率框架的域不变表示，在全局和局部视角对分布进行测量，以及基于概率的对比语义对齐损失函数，提出了一种解决方法，并通过实验证明其在不足数据环境下相较于现有方法的有效性。

Feb, 2024

针对基于三元或四元距离比较嵌入点的问题，以及只提供局部比较的变体问题，本文在最近关于序数嵌入的研究基础上，得出了大样本一致性结果和收敛速率，并受到其他相关研究的启发，对需要实现一致性所需的比较次数进行了限制。

Jan, 2015

提出一种统一的框架来同时识别污染比较和获得可靠的嵌入学习，以从含有污染比较的数据中进行鲁棒性序列嵌入。

Dec, 2018

提出了一种名为 ODM 的新方法，旨在通过优化边际分布来实现更好的普适性能，是一种可以应用在 SVM 的任何地方的一般学习方法。该方法利用边际平均值和方差来表征边际分布，该方法的优越性在理论和实践中均得到验证。

Apr, 2016

本文提出的可扩展 ODM 方法，在拥有非线性内核的情况下，引入了分布感知分区方法以使得局部训练集更容易逐渐逼近全局最优解，并在使用线性内核时，利用了通信高效的 SVRG 算法来进一步加速训练进程。大量实验证明，该提出的方法具有高度的计算效率，几乎不会影响泛化性能。

May, 2023

研究了近似维度和间隔复杂度的概念，这些概念相对于确切表示给定的假设类所需的嵌入的最小维度或范数来近似表示。发现这些概念不仅足以用于使用线性预测器或核进行学习，而且与确切的变体不同，它们也是必要的。因此，它们更适合讨论线性或核方法的限制。

Mar, 2020

本文介绍了基于边缘分布优化的大边缘分布机（Large margin Distribution Machine，LDM）学习算法，提高了支持向量机算法的泛化性能，该方法通过边缘分布的一阶和二阶统计量，即边缘均值和方差来表征模型，且其在理论和实验上的优越性得到了证明。

Nov, 2013