通过优化脑机接口（BCI）中的运动想象分类算法，利用无监督的降维技术 UMAP 和 KNN 评估了使用监督学习方法 LSTM 和 CNN 进行分类任务的必要性，实验结果表明 UMAP 降维后具有高 KNN 分数的参与者同样在监督深度学习模型上取得了高准确率，说明降维技术是有效的预处理步骤，减少对大量标记数据和监督深度学习技术的需求，对于运动障碍的定向治疗和解决脑机接口领域中的监管、安全和可靠性问题具有重要意义。

Nov, 2023

本文提出了一种用于领域自适应的非参数翻译解决方案 “k 最近邻机器翻译（kNN-MT）”，并通过在聚类的基础上通过对比学习的方式构建紧凑网络，提高了检索效率并且在大型数据集上取得了更好或相当的性能表现，同时对于不同领域的通用性很强。

Apr, 2022

该研究提出了一种增强的、基于加权的正则化 KNN 双支持向量机，通过加权样本、增加稳定项和结合多距离 KNN 算法来解决 KNN-based TSVM 分类器的高计算成本和过拟合等问题，实验结果表明在分类准确度和计算时间上均有显著提高，最大加速比可达 14 倍。

Jun, 2019

本文介绍了用于训练核字典学习问题中的缩减非线性表示的新算法。我们提出了一种更贴近字典学习精神的方法，在 KDL 过程中直接优化核向量，使用梯度下降步骤。我们通过三个数据集的实验证明，尽管使用少量核向量，我们的算法能够提供更好的表示，并且减少了执行时间。

Jul, 2023

该研究提出了一种基于采样，通信和预测的元宇宙设备同步设计框架，通过利用专家知识和开发知识辅助的约束双延迟深确定性策略梯度算法实现最小化通信负荷目标，优化采样率和预测时间，从而在真实设备和元宇宙数字模型之间实现最小均方误差跟踪。

Jul, 2022

提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

May, 2023

本文研究并发现 kNN-MT 的性能下降问题，提出了一种信心增强的 kNN-MT 模型，结合鲁棒训练和两种扰动方式以达到在基准数据集上实现显着改进和更好的鲁棒性的效果。

Oct, 2022

用 KIP 算法从大规模数据集中提取出适合于训练机器学习模型的小规模数据集且在保持模型性能的同时可以大幅减小数据集容量的同时可以实现隐私保护，该算法在 MNIST 和 CIFAR-10 的分类中获得了最先进的结果。

Oct, 2020

本研究提出了一种非侵入式优化准则，以有效地构建参数化代理模型，利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型，该模型可以有效地预测新参数位置处的求解，即使在有多个相互作用的激波轮廓的情况下。

Jun, 2023

本文提出了一种廉价的方法来学习有效的差异度量函数，该函数可用于 $k$- 最近邻分类。方法通过仅学习标记对象的变换来提高分类准确性，同时保持查询对象在原始坐标系中不变。通过解决标准岭回归问题，可以有效地学习变换，且速度比现有方法快两个数量级以上。此外，该方法消除了优化 “负” 对象对的开销，并具有减少数据中心极性的理论基础。

Jun, 2018