本文研究了分布回归问题，提出了一种基于再生核希尔伯特空间的简单分析计算的岭回归方法，证明了该方法在两阶段抽样设置下是一致的，并且该估算器能够达到一阶段最小化最优速率。

Nov, 2014

本研究提出了一种基于贝叶斯分布回归模型的神经网络方法，旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题，实现了群体大小变化时模型的可靠性和性能的提高，并在玩具数据集和图像预测年龄的挑战性问题上进行验证。

May, 2017

该研究提出了一种简单有效的方法，将概率分布嵌入再应用岭回归 算法来解决分布回归问题，同时证明该方法的稳定性和收敛速度，回答了 15 年来未解决的开放性问题，并涵盖了一系列相关的概率分布问题。

Feb, 2014

通过分布回归和集成学习方法，可以在空间预测和其他预测问题中利用零调整概率分布来创建由数据合并生成的降水数据集，并提供不确定性估计。通过与基准模型的比较，确定了层叠方法是最有效的策略，而在特定的分位数水平下，具体的层叠方法会有所不同，因此使用多个算法进行任务特定的组合可能会带来显著的好处。

Jun, 2024

提出了一种将回归树与随机森林与经典 GAMLSS 框架中的分布并置合并的分布回归树和随机森林框架，以用于变量选择和建模非平滑依赖关系或高阶交互作用的情况，将其应用于大量气象预测数据生成的降水概率预测，并发现这种方法可以自动选择变量和交互作用，性能与计算成本高的提前预测信息或增强方法 GAMLSS 的性能相当甚至更好。

Apr, 2018

该论文提出了一种基于核函数的机器学习算法，可以通过对数据集的分组进行处理，采用独立同分布的样本集作为数据点，利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。

Feb, 2012

本文提出了一种新的方法来处理多实例回归问题，使用基于注意力机制的无序操作来训练模型，并测试证明在真实数据集上优于以往方法，同时探讨特征空间维度数量对结果的影响。

Mar, 2019

通过全连接神经网络 (FNN) 建立分布回归的逼近理论和学习理论，针对概率测度作为输入变量的分布回归问题，建立了一种创新的神经网络框架，实现了定义在 Borel 概率测度空间上的泛函逼近理论，并通过两阶段误差分解技术推导了几乎最优的学习速率。

Jul, 2023

本文提出了一种新的非线性回归输入变量选择的方法，这种方法嵌入到一个可以模拟一般非线性函数的核回归机器中，而不是局限于加性模型。通过将输入映射到随机特征的相对低维空间中，绕过了核方法典型的低伸缩性属性。通过学习适当的非线性随机特征映射，该算法发现了与回归任务相关的变量，并学习了预测模型。我们在一组大规模合成和实际数据集上展示了我们的方法的出色性能。

Apr, 2018

提出一种基于 MMD 分布度量的新的森林构建方法，用于多元响应的联合条件分布，由此产生的权重定义了完全条件分布的估计，可用于任意复杂的目标，适用于用 Python 和 R 包 drf 的广泛示例。

May, 2020