我们提出了一种通用的直方图阈值技术（GHT），它可以通过高斯混合的近似最大后验估计来进行工作，并展示了它的实用性和有效性。该技术可以涵盖三种经典的阈值技术算法：Otsu 方法、最小误差阈值法（MET）和加权百分位数阈值法。GHT 可以在这三种算法之间进行连续的插值，从而显著提高了阈值精度并提供了更清晰的阈值解释，同时提供了解释直方图 bin width 调整的公共实践，总而言之，在手写文件图像二值化的最新挑战中，GHT 的表现超过或匹配所有算法，包括经过训练产生像素级二值化的深度神经网络，可用 12 行代码或对 Otsu 方法或 MET 进行微不足道的修改。

Jul, 2020

该研究介绍了一种名为 Robust-GBDT 的噪声鲁棒增强模型，该模型在多类分类任务中应用广泛，通过采用凸可靠损失函数和处理类不平衡的新型鲁棒损失函数，有效抵抗标签噪声和类别不平衡，提高了分类准确性和泛化能力。

Oct, 2023

在本研究中，我们提出了一种架构无关的算法，梯度引导假设（GGH），旨在应对数据质量方面的挑战。GGH 通过分析假设的梯度作为数据中不同且可能相互矛盾的模式的代理来解决缺失和噪声数据问题，并通过机器学习训练中的额外步骤将梯度包含或排除在反向传播中。通过对真实开源数据集进行实验验证，GGH 显示出显著提高模型性能的能力，并且在极高的稀缺度情况下，GGH 是唯一可行的解决方案。此研究展示了 GGH 作为改善各种应用中的数据质量和模型性能的有希望的解决方案。

May, 2024

提出了基于块的分布式梯度提升树算法（GBT），以解决传统分布式 GBT 算法中针对数据点而非特征的可扩展性问题。该算法针对数据稀疏性和数据特征进行了定制，通过适应 Quickscorer 算法在块分布式设置中的使用，可在稀疏数据中实现通信成本的多个数量级降低，同时不损失准确性。

Apr, 2019

本文介绍了在高维环境下，使用 M-estimators 在广义线性回归模型中需要风险最小化，并提出了第一个 IHT 样式算法在高维统计学中的分析框架，这对于稀疏回归和低秩矩阵恢复等问题具有实际应用价值。

Oct, 2014

本篇论文旨在研究如何提高 Gradient Boosting Decision Tree 模型的准确性，同时保持差分隐私强有力的保护措施。通过改进灵敏度限制和与树之间隐私预算的分配算法，该论文提出一种更有效的差分隐私 GBDT 训练算法，以实现更高的模型准确性。

Nov, 2019

本文介绍了一种基于渐进提升方法和 Nesterov 加速下降的新算法 AGB，不但表现突出，在不同预测问题中还表现出更好的稀疏性和少对收缩参数的敏感性。

Mar, 2018

本研究提出了一种基于渐进树提升（gradient tree boosting）的结构学习模型，用于在文档中共同消歧命名实体，并通过提出的双向束搜索算法 BiBSG 进行近似推断。在标准基准数据集上的实验表明，该模型显着提高了先前发表结果，特别是在 AIDA-CoNLL 数据集上表现优异。

Feb, 2018

本研究提出了一种基于梯度提升的代理模型，并使用分位数回归来提供未观察到的超参数设置的性能的乐观估计，同时结合未观察到和观察到的超参数设置之间的距离度量来帮助调节探索。经实证表明，该方法能够在一系列分类问题中优于一些最新的技术。

Jan, 2021

本文介绍了在概率排序模型优化中引入了第一个基于 GBDT 的随机学习排序方法，通过引入 Hessian 矩阵的新估算器，有效地计算一阶和二阶导数，并且实验证明具有估算的 Hessian 矩阵的随机学习排序在性能上与当前最先进的方法相竞争，成功地将 GBDT 引入随机学习排序。

Apr, 2024