我们介绍了一种从不确定数据中学习线性模型的高效方法，其中不确定性被表示为数据中可能的变化集合，导致预测的多样性。我们的方法利用抽象解释和 zonotopes（一种凸多面体类型）来紧凑地表示这些数据集的变化，从而能够同时对所有可能的世界进行符号执行梯度下降。我们开发了确保该过程收敛到一个固定点的技术，并推导出该固定点的闭合解。我们的方法提供了对所有可能的最优模型和可行预测范围的准确过估计。我们通过理论和实证分析展示了我们方法的有效性，突出了在训练数据中由于数据质量问题而进行模型和预测不确定性推理的潜力。

May, 2024

本文提出了一种使用一致性原则的无监督表示学习算法 ConCURL，通过综合考虑共识、示例和种群三种一致性来实现对图像的聚类，并在四个数据集上实现了比现有方法更好的聚类性能。

May, 2021

本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

Feb, 2022

本文提出了一种新的局部多视图子空间聚类模型，该模型考虑了不同视图和样本的置信度，并通过适当地为每个视图下的每个样本分配权重，从而获得了鲁棒的一致表示，进一步在权重参数上开发了一个基于凸共轭理论的正则化器，并以自适应方式确定样本权重，使用具有收敛保证的高效迭代算法，通过四个基准上的实验结果证明了该模型的正确性和有效性。

May, 2017

我们研究了典型的公平聚类问题，其中每个聚类被约束为每个群组的人口级别表达。尽管引起了很大的关注，但对于每个点的群组成员资格的不完全知识的显著问题仅仅是肤浅地得到解决。在本文中，我们考虑了分配的群组成员资格存在误差的情况。我们引入了一个简单且可解释的误差模型家族，需要决策者提供少量参数。然后，我们提出了一个具有可证明鲁棒性保证的公平聚类算法。我们的框架使决策者能够在鲁棒性和聚类质量之间进行权衡。与以前的工作不同，我们的算法有最坏情况下的理论保证。最后，我们在真实世界的数据集上验证了我们的算法的性能，并展示了其优于现有基准的表现。

Jun, 2024

本文基于一种新颖的聚类中心点概念，理论研究了现有的分区聚类方法，并提出了一种有基础的聚类方法，以便更好的表达一组不确定对象的聚类，从而支持更一致的改进聚类性能，同时保持着与现有分区聚类算法相近的效率。

Mar, 2012

本文研究了在本地差分隐私条件下从用户隐私数据中学习项目簇的问题，并且开发了一些方法来限制互信息，其结果表明采取不同的算法和方法可以实现不同零星用户样本复杂度，同时研究的技术具有更广泛的适用性。

Jul, 2012

本文提出一种基于 Orchestra 算法的无监督联邦学习技术，通过在联邦结构中进行分层聚类任务并强制执行全局一致的客户端数据划分，实现了对统计 / 系统异质性、可扩展性和通信效率的稳健性，保证了良好的泛化性能，并在一系列条件下优于其他技术。

May, 2022

本文提出一种能够在线预测的算法，能够在概率和对抗性设置下与未知复杂度的情境树专家相竞争。通过将结构风险最小化的概率框架纳入现有的自适应算法中，我们不仅可以稳健地学习存在随机结构的同时获得正确的模型阶数，并取得了能够与拥有强侧面信息的最优算法竞争的遗憾边界，从而提供了对模型和随机性同时适应性的第一个具体保证。

May, 2018

我们研究数据选择问题，将利用 $k$-means 聚类和敏感性抽样方法，基于模型损失的嵌入表示，可选择一组典型样本，其平均损失与整个数据集的平均损失相对应，具有可证明的性质，并且在微调基础模型上表现优于最先进的方法，同时展示了它如何应用于线性回归，提供了一个更简单且可扩展性更强的抽样策略。

Feb, 2024