该论文提出了一种新方法，通过梯度聚合技术，学习所有用户的共同知识并在此基础上，为头部用户和尾部用户分别提供定制化的预测，从而显著提高了尾部用户的推荐效果。
Aug, 2022
通过提出一种名为 TALL 的新型端到端自适应本地学习框架，研究通过缓解主流偏见来改善基于协同过滤的推荐算法，在提高主流和小众用户的推荐质量方面取得了最先进的性能。
Apr, 2024
本研究提供了一个设计和分析各种协同过滤推荐算法的框架，研究发现相比于用户 - 用户协同过滤，基于商品 - 商品的过滤算法表现得更好，并能够以快速的速度为缺乏信息的新用户提供良好的推荐表现，该过滤算法的具体实现是在线二进制矩阵填充。
Jul, 2015
本文针对协作排名问题展开研究，通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式，实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好，该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。
通过允许模型在性能近乎相等的群体上产生微小概率差距的方法，基于条件风险价值 (CVaR) 提出了一种检测性能差异的方法；同时证明了具有特定先验分布权重的情况下，Rényi 熵阶数为 2/3 的先验分布可以捕获所提出的 CVaR 测试算法的样本复杂性。
Dec, 2023
本文提出了两种基于 CVaR（条件风险值）的方法来改善长尾学习问题，在理论上提供了坚实的支持，通过实验证实了所提出方法的优越性。
Aug, 2023
在机器学习应用中，我们提出了一种风险规避的训练模型的方法，它通过优化在最难的样本上的表现来提高模型的稳定性和可预测性，关键是利用分布式随机优化算法和结构化行列式点过程进行大规模的学习任务。
Oct, 2019
本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。
Apr, 2019
研究一种基于条件风险价值（CVaR）的风险规避统计学习框架，提出了基于随机梯度下降的算法。对于凸和 Lipschitz 的损失函数，该算法收敛到最优 CVaR，而对于非凸和平滑的损失函数，该算法在 CVaR 上的泛化界表现良好。通过在各种机器学习任务上进行数值实验，证明了该算法有效地将 CVaR 最小化。
Feb, 2020
提出了一种基于深度学习协同过滤算法的推荐系统，实现了公平和准确度之间的最佳平衡，无需知道用户的人口统计信息。实验结果表明，可以在不失去大部分准确度的情况下进行公平的推荐。
Jun, 2020