去噪多相似度公式: 鲁棒性度量学习的自适应计划驱动方法
本文提供了用于鉴定基于替代损失函数的学习方法渐近一致性的充分条件，并证明了指数损失和逻辑损失与AUC一致，但铰链损失是不一致的。基于这个结果，本文还推导了一些与AUC一致的损失函数，进一步揭示了指数损失和逻辑损失的相容界限以及在非噪声设置下许多替代损失函数的相容界限，并发现AdaBoost和RankBoost具有相同的指数代理损失。
Aug, 2012
本文提出了一种新的半监督AUC优化方法，不需要强限制假设，其基于正例和未标记数据的AUC优化方法（PU-AUC），并将其与监督AUC优化方法结合来实现半监督学习，理论证明了未标记数据对于PU和半监督AUC优化方法的泛化性能的改善有帮助，并通过实验证明了所提出方法的实用性。
May, 2017
本文提出一种基于AUPRC pipeline的技术方法，采用SOAP采样算法来提高分类性能，并利用最新的随机组合优化技术进行优化。该方法在图像和图形数据集上的实验结果表明，在AUPRC方面，我们的方法优于先前的方法。这是首次尝试通过证明收敛性来优化AUPRC。
Apr, 2021
本文概述了过去20年中与AUC最大化相关的文献，不仅提供全面的文献综述，还从公式到算法和理论保证提供了详细的解释和比较，并对深度学习AUC最大化的剩余和新兴问题进行了讨论。提供未来工作的建议。
Mar, 2022
本文提出了一种平衡的自适应正类比例（BSPAUC）算法来解决在最大化AUC时存在的噪声数据问题，该算法通过嵌入一个新颖的平衡自适应正则化项，使得选择的正类和负类样本具有适当的比例，并通过解决非凸子问题所面临的挑战来达到更好的泛化性能，在深度学习和基于核的实现中，实验结果在多个大型数据集上证明了BSPAUC具有比现有的最新AUC最大化方法更好的泛化性能。
Jul, 2022
本文研究如何从多个未标注数据集中构建一个AUC优化模型，提出了一种称为U^m-AUC的方法，将U^m数据转化为多标签AUC优化问题，可以有效地进行理论与实证研究。
May, 2023
通过提出一种高效的算法AUC-opt来寻找证明最优AUC的线性分类器，并且证明问题在一定条件下是NP完全的；此算法在实验中证明相较于其他方法有所改善，但在大多数测试数据中表现并不如标准分类器。
Jun, 2023