该研究提出了两种基于机器学习的聚合方法和新的聚合方法 “Devil's-Advocate aggregator”，可以显著增加成功聚合的案例百分比，同时展示了元认知特征工程和 Devil's-Advocate aggregator 的重要性。

Apr, 2022

该篇论文中提出了一种基于元学习的 Federated Learning 方法，针对一些问题如客户端异构性、难以调优的问题等，通过对客户端属性进行动态加权，进而调整更新步长的策略，相较于目前最先进的算法，在收敛速度和最终学习结果上均显著优于现有的算法。

Aug, 2022

本研究提出 Deep Multi-Representation (DeepMR) 模型，通过联合训练 DNN 和多头自注意力这两种功能强大的特征表示学习组件，以及使用零初始化的残差连接（ReZero）来提高输入表示的性能，在三个真实数据集上的 CTR 预测任务中超越了所有现有的最先进模型。

Oct, 2022

DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

Jun, 2019

使用聚合性众包预测（ACF）作为一种机制来实现人机团队的 “集体智能” 的具体操作，以提供协调行动的能力，并探索 ACF 作为一种关键的方法，以增强决策能力和开启决策优势的新形式。

Feb, 2024

这篇论文介绍了知识图谱补全中规则学习方法的高效、可解释且与纯神经模型竞争的特点，提出了规则聚合问题的概念，并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示，并提出了一种既有效又被忽视的基准方法，与计算复杂度更高的方法具有竞争力。

Sep, 2023

本文提出了一种名为自适应双向注意胶囊网络（ABA-Net）的新方法，通过在编码器中利用不同级别的源表示来为预测器提供不同视图，从而充分利用模型的表达能力，进而提升机器阅读理解任务的性能，实验结果表明，在 SQuAD 数据集上实现了最新的最佳性能。

Aug, 2022

本文提出一种利用众包进行无监督学习的方法，通过 “二选一同类” 问题查询来发现数据特征，并使用自适应算法从三元组中恢复所有特征，实验证明其效率高于传统非自适应算法。

Mar, 2015

本文提出了基于图的挖掘方法来有效计算可靠众包工人的 “专家核心”，并提出了一种将 “专家核心” 与现有答案聚合算法结合的方法以及一种利用 “专家核心” 提取算法所提供的与工人可靠性相关的信息的算法，在人工合成和真实数据集上的计算实验表明，我们提出的答案聚合算法优于现有算法。

May, 2019

本研究关注元学习及其在 few-shot 分类任务中达到优秀表现的特征提取器，提出元学习模型表现优秀的原因并给出一种正则化方法来改进标准训练方法，在很多情况下，该方法不仅可超越元学习，且快速度又快。

Feb, 2020