本文介绍了一种简单而有效的方法，即将传统神经网络适应于学习序数类别，其性质既具有分类又具有回归的特性。我们的方法是序数回归的感知机方法的一般化，它在多个基准数据集上优于神经网络分类方法。此外，NNRank 在信息检索、网页排名、协作过滤和生物信息学中的蛋白质排名等大规模数据处理任务中具有传统神经网络学习方式的优点。

Apr, 2007

该研究提出了一种基于离散等级标签来预测连续值变量的框架，在三项临床预测任务中取得了较好效果，并证明了该方法通过蒙特卡罗 dropout 可以提高预测准确性。

May, 2023

利用深度学习中基于序列回归的神经网络模型进行年龄预测的研究中，提出了一种新的一致性排序逻辑（CORAL）框架，用于提高预测准确率。

Jan, 2019

分类量化的研究在近年来获得了更多的关注，但是大部分的研究都集中在二分类和多分类问题上，很少研究有序情况下的分类量化。本文主要贡献有三点：首先，我们创建了两个新的有序分类量化数据集，弥补了之前数据集的不足；其次，我们对现有的有序分类量化算法进行了实验比较，将来自数据挖掘和天体物理学等不同研究领域的算法作者集于一身；第三，我们提出了一种新的正则化的有序分类量化算法，在实验中优于现有算法。我们的算法在性能上取得了提升，关键原因是我们的正则化方法防止了在实际应用中不合理的有序估计，因为我们假设有序分布在实践中趋于平滑，我们通过多个实际应用案例对此假设进行了非正式验证。

Oct, 2023

本文讨论了用于测量和计算序列结构的不同方法，并展示如何从中推断知识，以建立序数数据科学作为一种全新的研究议程。这将对心理学、社会学、经济学、网络科学、知识工程学和科学计量学等多个学科产生广泛影响。

Jul, 2023

本文扩展了 seq2seq 模型，实现了对输入集的合理处理以及通过搜索可能的排序来处理输出集的缺乏结构，并提出相应的解决方案，最终在多项自然语言处理任务和两项人工任务中取得了良好的结果。

Nov, 2015

本文提出了学习概率顺序嵌入来表示每个数据的方法，这些嵌入由多变量高斯分布表示，以更好的建模回归中的不确定性，并且可以与流行的回归方法集成，通过实验结果证明其具有竞争性的表现和确定性评估的能力。

Mar, 2021

该研究提出了一种并行化算法，用于找到最优的阈值标签，通过使用该算法和并行处理相比使用基于动态规划的现有算法，可以将阈值方法的整个学习过程的计算时间缩短到约 60％。

May, 2024

基于鲁棒有序方法和不确定性集合的决策模型，学习决策者对子集间偏好的偏好预测方法及评估。

Aug, 2023

本研究研究计算机视觉中回归问题的分类方法，发现使用交叉熵损失的分类方法比均方误差损失的回归方法具有更好的性能，同时提出了一种序数熵损失方法以鼓励高熵的特征空间并维护序数关系来提高回归任务的性能。实验结果表明增加熵对于回归任务的重要性和好处。

Jan, 2023