本文提出了 CoRe 框架，通过组内视频对比来学习相对得分，进而利用 group-aware regression tree 将传统得分回归转化为粗分类和小区间回归两个子问题，从而在三个主流 AQA 数据集上取得了比以前方法显著更好的表现，并建立了新的技术水平。

Aug, 2021

本文提出了一种名为 “置信度排名” 的新型框架，使用两个不同的模型以排名函数的形式设计优化目标，允许针对不同凸代理函数的评估指标进行直接优化，例如 AUC 和 Accuracy。实验结果表明，引入置信度排名损失后，可以在公共和工业数据集的 CTR 预测任务上胜过所有基线，该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。

Jun, 2023

本文提出了一种从以实体为中心的视角生成相关对照数据的方法，通过在句法和语义依赖图中利用两个基本的拓扑性质，即中心性和最短路径来识别和干预实体的语境因果特征，从而使得深度神经模型更加稳健。

Feb, 2022

本文讨论了在存在未标记测试数据时自动模型评估的问题，并提出了一种利用采样数据和回归模型估计模型精度的方法，称之为 AutoEval。

Jul, 2020

提出了基于对比学习的自动模型评估（CAME）框架，通过在未标记 / 未见测试集上进行推导，建立了模型性能与对比损失之间的可预测关系，从而克服了现有自动模型评估方法中依赖训练集的问题，并在性能上显著超越了之前的工作。

Aug, 2023

在高度不平衡的数据分布中，研究了罕见类别分析（Rare Category Analysis）的不确定性量化、误校正和个体校准等问题，并提出了一种名为 CALIRARE 的新型个体校准框架来实现可靠的罕见类别分析。

Jul, 2023

本论文提出了基于 Cross-relation Cross-bag 选择性注意力（C $ ^ 2 $ SA）的多实例学习，以实现对遥感监督关系提取器的噪音鲁棒训练。

Dec, 2018

本文介绍了一种基于能量模型和深度神经网络，通过蒙特卡罗采样方法直接最小化相关负对数似然训练条件目标密度 p (y|x)，可用于计算机视觉回归任务的新的概率解释回归方法，并在四个计算机视觉回归任务中表现优于其他概率和自信度方法，同时也具备更广泛的应用性，可用于估计年龄和头部姿势等任务。

Sep, 2019

使用自动回归模型进行基数估计，提出了一种可处理多维关系表密集统计的新方法。通过蒙特卡罗积分方案，无需独立性假设，即可近似联合数据分布，实现单位误差计算效率，可显著提高准确性和系统运行效率。

May, 2019

该研究旨在提出一种更好的置信度校准指标 —MacroCE，该指标能更好地捕捉模型给出正确预测时高信心和给出错误预测时低信心的情况，并针对开放领域问答的实际应用，提出了新的校准方法 ConsCal，该方法不仅考虑模型的最终预测，还考虑了多个模型检查点的一致性预测，提供了一种全新的校准视角、新的指标以及根据指标提出了更加有效的校准方法。

May, 2022