本研究提出了一种新的 KNN 算法，通过测试和比较，在理论场景和基于离子迁移谱指纹的室内定位方面均取得了比标准 KNN 更高的分类准确度，同时要求相同的计算需求。

Apr, 2023

本研究针对深度学习在对抗性环境下的鲁棒性和预测不可解释性等问题，通过将 k-NN 算法与深度学习结合，提出了一种名为 DkNN 的混合分类器，它可以为输入数据提供信心估计和人类可解释的预测解释。实验证明，DkNN 算法可以准确识别模型外部的输入，同时提供直观和有用的模型失败解释。

Mar, 2018

本论文研究使用替代距离的最近邻分类器（k-NN）算法，并探讨了基于一系列随机范数或基于一些特定的一致性条件的距离，并探究了对类别标签的自适应选择距离的两阶段 k-NN 分类器。

Nov, 2015

本文提出了 Local Naive Bayes Nearest Neighbor 方法，以提高图像分类算法的准确性和拓展性，该方法将所有参考数据合并成一个搜索结构进行快速搜索，并证明此方法可在 Caltech 256 数据集上带来 100 倍的速度提升。同时，也将 NBNN 与空间金字塔方法进行了头对头比较。本文发现，Local NBNN 方法表现优于以往的 NBNN 方法和原始空间金字塔模型，但仍不及使用本地软分配和 max-pooling 的最先进空间金字塔方法。

Dec, 2011

该研究论文讨论了最近邻（NN）技术在模式识别、文本分类、目标识别等领域的应用。文中介绍了结构无关和结构相关技术，如加权 kNN，基于模型的 kNN 等结构无关技术以及 k-d 树，球树，主轴树，最近特征线，可调 NN 等结构相关算法，并提出了结构无关方法可以克服内存限制，而结构相关技术可以减少计算复杂度。

Jul, 2010

本文介绍了一种基于稀疏先验的 PAC-Bayesian 限制方法，将 K 最近邻分类器转化为核空间框架以求得其广义误差的界限，并在实验中证明了其高效性。

Sep, 2021

本文提出了一种改进的 kNN 算法，针对文本分类中常见的类别样本分布不均衡问题，使用不同的邻居数来分类。在文本分类实验中，相比传统方法，该方法对参数 k 的敏感度更低，能够更好地识别属于小类的文档。

Jun, 2003

该论文提出了一种改进的 K 近邻分类器，它可以自适应地为每个查询选择 K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

May, 2019

本文主要研究了基于简单特征变换的最近邻分类器在 few-shot 学习上的精度，并发现在 miniImageNet 数据集中，使用平均值减法和 L2 归一化的最近邻分类器在三个设置上优于之前的结果。

Nov, 2019

研究在线非参数分类中的一个实例，并考虑经典的 1 最近邻算法，证明它在可实现设置中针对支配或平滑对手实现次线性遗憾 - 即消失的错误率。

Jul, 2023