该研究提出了一种基于代价度量的方法，融合了视频中的语义和时间信息，以优化运输框架来识别视频中的无法见类行为，它具有包括内容和排序敏感任务的判别能力，并在基准数据集上表现出卓越的性能。

Apr, 2021

本文介绍了两种可扩展且在元学习中具有稳健性的算法，它们是 “稳健元高斯过程 - 置信上界”（RM-GP-UCB）和 “稳健元高斯过程 - 汤普森抽样”（RM-GP-TS），两者均具有渐进无遗憾性。我们同时优化经过在线学习分配给个别任务的权重来减弱不同任务的影响，从而进一步增强稳健性。实证评估表明，在各种应用中，RM-GP-UCB 表现出有效和一致的性能，而尽管 RM-GP-TS 在理论和实践中都不如 RM-GP-UCB 稳健，但在一些具有较少不同任务的场景中表现具有竞争力且更具计算效率。

Jun, 2022

该研究提出了一种新的基于深度学习和多臂老虎机算法的动态推荐排序系统 DNN-MAB，该系统以精准、准确、及时响应估算客户意图为重点，通过考虑诸如展现次数、点击次数、转化次数等的显式和隐式用户反馈信息，快速帮助客户找到最感兴趣的商品，使他们更快地完成购买，提高了 JD 的商品总交易额（GMV）水平。

Aug, 2017

本研究提出了一种基于可微分分层最优传输（HOT）框架的新颖有效的图匹配方法，称为 DHOT-GM。该方法通过不同模态信息的关系矩阵集合来表示每个图，并通过加权平均匹配结果推断节点对应关系，其匹配结果是在关系矩阵之间通过 Gromov-Wasserstein（GW）距离计算的最优传输方案，所有匹配结果的权重是在矩阵集合上定义的上层最优传输方案的元素。实验证明，与现有方法相比，我们的方法在各种图匹配任务中表现出更高的优越性和鲁棒性。

Oct, 2023

我们提出了一种新的框架，用于在马尔科夫链之间制定最佳输运距离的形式化。我们将此问题转化为在约化空间中求解线性规划的问题，并且通过 Sinkhorn Value Iteration 方法计算最佳输运距离，从而得到与马尔科夫链的 bisimulation metrics 完全匹配的结果。

Jun, 2024

本研究提出了基于互信息的偏好多样性模型（PODM-MI），通过采用多维高斯分布来捕捉用户对多样性的偏好，并最大化多样性偏好与候选项之间的互信息，以提高它们之间的相关性，适应性地进行排序，实现准确性和多样性之间的平衡。在实际的在线电子商务系统上的实验证明了 PODM-MI 的重大改进，并成功地在一家电子商务搜索平台上部署了 PODM-MI。

May, 2024

我们提出了两种神经网络方法来近似求解静态和动态条件优化传输问题（COT），这两种方法能够对条件概率分布进行抽样和密度估计，在贝叶斯推断中是核心任务。我们的方法将目标条件分布表示为可处理的参考分布的转换，因此属于测度传输框架。这些方法利用了 COT 问题的静态和动态公式的结构，通过神经网络来参数化 COT 映射以提高可扩展性。我们通过使用基准数据集和贝叶斯反问题将其与最先进的方法进行比较，证明了它们的有效性和效率。

Oct, 2023

本研究探讨了在线偏好聚合的自然模型，使用广义 Min-Sum-Set-Cover 问题作为形式化模型，将排序降维到双重随机矩阵空间，并应用在线梯度下降技术以在多项式时间内实现 GMSSC 低遗憾学习，以提高学习效率。

Nov, 2020

本文介绍了基于学习排序蒸馏的组合优化问题解决方法，其中高性能排序策略通过强化学习可以被提炼成非迭代简单模型，从而实现低延迟的拟合，通过优化推理效率和性能表现，证明了这一框架的优势。

Dec, 2021

提出全局优化框架，实现对电子商务搜索中商品的排名，具体包括了相互影响的采购概率预测和排名任务，得出有关 GMV 的优化结果。

May, 2018