提出了三种算法，使监督学习模型呈现更加单调的性能表现，其中算法 MT_HT 将 MNIST 数据集上的非单调决策控制在 1% 以下，并在误差率上保持与其他基线模型的竞争力。

Nov, 2019

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

我们提出了一种普遍一致的学习规则，其期望误差在每个数据分布下随样本量单调非增。该规则是一种完全确定性的、数据依赖的划分规则，使用循环顺序在任意域（标准 Borel 空间）中构建。其核心思想是只在每个步骤中对那些表现出足够经验多样性的循环区间进行划分，从而避免误差函数为凸函数的区域。

Aug, 2021

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

本论文提出了第一个适用于单调布尔函数的无偏、高效、正确的学习算法，并使用凸优化步骤增进了不正确学习算法。同时，该工作还给出了估计未知函数到单调性的距离的算法，这两个算法的运行时间及假设评估时间为 2^(Õ(√n/ε))

Apr, 2023

本文研究了机器学习模型对抗攻击的容易受攻击性问题，并从计算学习理论的角度探究了鲁棒学习的可行性和计算复杂度，并给出了相应的计算困难性证明。

Sep, 2019

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