通过黑盒 Oracle 访问和转换算法 A，提出了将任意学习算法 A 转换为具有类似表现的单调算法的方法，并解决了多个关于单调学习算法的问题。

Feb, 2022

本文针对机器学习中数据采集的困难和对泛化理解的缺乏，提出一种风险单调且效率较高的学习算法，解决了 Viering et al. 2019 提出的风险曲线非单调性的问题，同时提出了专门针对马尔可夫差分序列等非独立同分布的过程的经验 Bernstein 集中不等式的新方法。

Nov, 2020

本文介绍了数据库中知识发现的重要性，包括分类模型学习需要满足的单调性限制，并提出了一种基于所生成模型类型的算法分类法，并综述了不同数据集和单调问题的质量评估度量。

Nov, 2018

本篇研究提出了一种针对深度学习的单调性约束处理技术及激活函数为 ReLU 神经网络的单调性归纳偏置技术，并实现了名为 COMET 的工具。实验结果显示，该方法与现有单调性学习器相比具有最先进的结果，并且可以提高模型质量。

Jun, 2020

本文研究基于单调性建立透明机器学习模型的可信度和公平性问题。研究了如何在保持透明性的情况下提高单调性，并提出了神经加性模型的单调树林方法。实验证明，实践中常常违反单调性，但采用单调树林的神经加性模型具有透明性，可信度和公平性。

Apr, 2023

该研究提出了风险单调性的正式概念，其要求风险不会随着培训集大小的增加而期望恶化。此外，该研究还发现了各种标准学习器（特别是最小化经验风险的学习器）可以在培训样本大小上无脑不单调，这为新的研究方向开辟了一条全新的途径。

Jul, 2019

本文通过将定性单调性知识表现为概率分布约束，并将其纳入贝叶斯网络学习算法，从而改善在小规模数据训练下的准确度提升。

Jul, 2012

本文介绍了一种评估神经模型能否学习自然语言的单调性推理系统性的方法，并考虑了语法结构的重要性，实验表明神经模型的推理性能在语法结构相同的情况下很好。

Apr, 2020

提出了一种基于模型的强化学习算法的性能保证方法，引入了一个受约束的下界优化问题，采用了事件触发机制，从而克服了模型更新对性能的影响，并在实验中证明了该方法的有效性。

Oct, 2022

科学信息化机器学习模型中应用可解释机器学习方法是否会得到一致的科学解释是本研究的关键问题，通过引入领域知识，提出了描述单调性的三个公理，并得出结论当仅涉及个体单调性时，基准 Shapley 值提供了良好的解释，但当涉及强对数单调性时，集成梯度方法在平均上提供了合理的解释。

Sep, 2023