本文探讨了机器教学的逆问题，提出了一种新的范例，即学习者使用迭代算法，教师可以根据学习者当前的表现顺序地、智能地提供示例。它着重于实现学习者模型的快速收敛，可以通过设计教学算法减少教学示例并比没有教师进行教学的学习实现更快的收敛。

May, 2017

在非参数迭代教学设置中，我们研究了同时教授多个学习者的问题，这是由当前单个学习者教学环境与真实的人类指导情景之间的差距所引发的。在新的问题阐述下，我们引入了一个新的框架 -- 多学习者非参数教学（MINT）。在 MINT 中，教师旨在指导多个学习者，每个学习者专注于学习一个标量值目标模型。为了实现这一点，我们将问题框架转化为教授一个矢量值目标模型，并将目标模型空间从用于单个学习者场景的标量值再生核 Hilbert 空间扩展到矢量值空间。此外，我们证明了 MINT 相比于重复的单个学习者教学提供了显著的教学加速，尤其是当多个学习者可以相互交流时。最后，我们进行了大量的实验，以验证 MINT 的实用性和效率。

Nov, 2023

通过使用超参数化的多层感知器（MLP）和非参数化教学角度，我们研究了隐式神经表示（INR）的学习。我们提出了一种名为隐式神经教学（INT）的范式，将 INR 学习视为一个非参数化的教学问题，通过选择信号片段进行迭代训练以实现快速收敛，在各种输入模态下展示了 30％以上的训练时间节约。

May, 2024

本文研究了机器教学的问题，针对教师在教授目标概念时需要面对学生初始状态和学习速度的多样性，证明了当教师掌握学生学习动态时，使用 O (min {d,N} log (1/eps)) 个样本就能够教授整个班级，同时研究了限制条件下的教学策略可行性和教师成本与学生负担之间的平衡关系，实验结果验证了理论分析和提出的分组教学策略。

Nov, 2018

本文提出了一种更智能的机器教学范式，即一次性机器教学，并建立了可行的映射方法设计最优化（通常为最小）教学集，以便更快地收敛，从而证明了新教学范式的智能性并验证了该策略的有效性。

Dec, 2022

本文介绍了一种跨空间机器教学的方法，提出了主动查询学习者的机制以提高收敛速度，并比较了不同教师模型的实验验证结果。

Oct, 2017

本文探讨了机器教学的问题，提出了基于马尔可夫决策过程的序列教学问题。通过研究多臂老虎机学习器的模拟实验和用户研究，探究了教学规划和学习者具有教师模型两种方法对于学习效果的影响，分别从学习者的角度和教师的角度考虑互动智能系统的策略行为，提供了新的研究方法。

Sep, 2018

提出了一个针对贝叶斯模型学习者的最优教学框架，旨在平衡学习者未来损失和教师努力的优化问题，此优化问题在一般情况下很难，但在学习者使用共轭指数族模型的情况下，提出一种近似算法来找到最优教学集，该算法优化了聚合充分统计数据，然后将其解包成实际的教学示例，给出了几个例子来说明该框架。

Jun, 2013

本研究提出一种新颖的非参数在线学习方法，该方法引入了两个 k 最近邻模块，一个模块记忆人工反馈，另一个模块自适应地平衡历史人工反馈和原始 NMT 模型，实验结果表明，在 EMEA 和 JRC-Acquis 基准测试中，该方法在翻译准确性上得到了实质性的改进，并实现了更好的适应性能，需要更少的重复人工纠正操作。

Sep, 2021

本文提出了一种基于元学习的新方法，通过学习一组不针对旧任务也不针对新任务的广义参数来避免深度神经网络的快速衰落问题，并在五个数据集上进行广泛实验，实现了明显的改进

Mar, 2020