提出了两种新的方法，一种是通过新的架构来实现偏好的单峰分布，另一种则通过利用映射的概念来建立新的损失函数，以促进单峰性，实践结果表明新架构获得了最佳性能，并且新损失项在维持高单峰性的同时具有很强的竞争力。

Mar, 2023

通常用于评估模型性能的无标签数据评估的方法，通过使用得分函数映射概率向量来提高效果，但是需要选用最佳得分函数，实验得出 L^∞范数是最合适的。

Jun, 2023

这项研究提出了一种无监督机器学习方法来优化量化金融中的盈亏（Profit and Loss）。我们的算法类似于无监督线性回归，通过线性组合外生变量构造的信号，最大化盈亏的夏普比率。该方法利用外生变量与交易信号之间的线性关系，通过参数优化来最大化夏普比率。在代表美国国债的 ETF 上的实证应用展示了模型的有效性，并通过正则化技术来减少过拟合。研究总结了进一步发展的潜在方向，包括广义时间步长和增强校正项。

Nov, 2023

本文提出了一种新的矩阵补全方法，该方法通过低秩矩阵估计和单调函数估计之间的交替来估计缺失的矩阵元素，可应对非线性变换带来的挑战，并在合成和真实数据集上展示了竞争性的结果。

Dec, 2015

本文研究任意函数类和一般损失的在线回归问题，并确定了最小极大率。结果表明，当函数类的复杂度低于某一阈值时，最小极大率取决于损失函数的曲率和序列复杂度。而当复杂度高于该阈值时，损失的曲率不再影响率。此外，对于平方损失，当顺序和独立同分布的经验熵匹配时，统计和在线学习的速率相同。我们还提供了一种通用的预测器，它具有确定的最优率，并提供了一种设计在线预测算法的方法，用于某些问题可以是计算量有效的。

Jan, 2015

线性模型在时间序列预测方面表现出色，特征归一化改善了模型泛化能力；分析了可使用这些线性模型体系结构表示的函数集合；证明了几种流行的线性模型变体等效于标准的无约束线性回归；每个模型可以重新解释为在适当增强的特征集上的无约束线性回归，因此在使用均方损失函数时具有闭式解；实验证明所检验模型的学习解几乎相同，进一步证明简洁的闭式解在 72％的测试情景中是更好的预测模型。

Mar, 2024

本文提出了一种无监督学习成本函数，应用于序列分类器中，采用随机原始 - 对偶梯度法建模并优化，实现了端到端的无标注学习，实验表明该方法与其他基线方法相比具有更高的错误纠正能力。

Feb, 2017

本文介绍了一种非参数化、维护形状特性的估计函数的方法，并应用到了多种函数，证明了其空间自适应性。

Jul, 2005

基于顺序熵，确立了在线回归的最佳速率，发现最佳速率具有类似于独立同分布 / 统计学习情况的相变。此外，展示了一种享有建立的最佳速率的通用预测器和一种设计在线回归算法且计算高效的方法。

Feb, 2014

通过三个原则，我们提出了一种全面自适应的标签分布学习方法，称为单峰浓缩损失方法，它使用学习排序策略获得单峰分布，并将估计误差和预测分布的方差集成到损失中，具有在年龄和头部姿态估计等回归任务上表现优越的结果。

Apr, 2022