通过概率密度估计重构观众扩张视角
通过使用高斯过程模型，我们提出了一种方法，可以在数据集大小增加时获取关于准确性或类似性能指标的概率推断，通过在六个数据集上的评估，我们发现我们的方法在错误、可能性和覆盖范围方面表现出色。
Nov, 2023
该研究通过修改经典的频繁项集挖掘算法 Eclat，并运用时序分析方法提供条件概率的预测，来应对在线广告投放中基于网站属性的受众规模预测难题，并通过广泛的模拟验证和真实数据集验证，证明了该算法在缩短计算时间和提升预测精度方面的优势。
Jan, 2019
本篇文章提出了一种名为 Meta Hybrid Experts and Critics (MetaHeac) 的新颖的两阶段框架，以解决推荐系统和广告平台中营销活动的挑战，其中包括 “类似模型” 的扩展受众方法、基于通用模型的自定义方法、以及营销活动增强的方法，并通过线下 / 线上实验验证了该框架的有效性。
May, 2021
本文提出了一种基于图像的人群计数方法，可以预测人群密度地图以及与预测密度地图相关的不确定性值，并开发出卷积神经网络架构来预测这些分布，通过使用高斯分布对人群密度值进行建模来获得预测不确定性，并开发了样本选择策略以减少适应计数网络所需的人工注释工作量。
Sep, 2020
本篇论文介绍了一种可扩展、高效的系统，利用基于深度学习的嵌入模型和近似最近邻搜索方法，将目标的营销受众扩大，并能构建可以解释和有意义的客户相似度度量标准，实验结果表明该系统和客户嵌入模型效果显著。
Jan, 2023
本研究提出了一种基于异构图网络的双边交互和特征组合的用户个性化嵌入方法，用于视频平台上新节目的推广，能有效解决新节目推广中的冷启动和点击率等问题。
Apr, 2023
通过重新赋值训练数据的权重，我们提出了一种基于指数倾斜假设的分布转移模型，用于为目标任务学习训练数据的重要性权重，以最小化有标签的训练数据集与无标签的目标数据集之间的 KL 散度，并应用到水鸟和品种基准测试中展示了方法的有效性。
May, 2022
本论文比较和评估了几种方法，用于改善对未知和已知样本的置信度评估。作者使用包括置信度校准，模型模拟，贝叶斯模型等方法进行评估，其中调整后的模型集合表现最佳，并且 T-scaling 是具有最快推理速度的方法之一。
Apr, 2018
本文提出了一种基于 logit 值分布的神经网络分类模型的不确定性预测和置信水平估计方法，可用于知识提取过程中的预测筛选，并在关系提取、命名实体识别和图像分类等任务中获得显著的提高。
Oct, 2022