Lp 范数约束的单类分类器组合
本文介绍了一种基于结构规则的稀疏估计方法，通过应用不仅仅关注稀疏性，而且可以考虑一些结构化先验知识，这种方法可以处理多种结构的问题。同时，我们还介绍了该方法在无监督学习、非线性变量选择等方面的应用。
Sep, 2011
本研究提出并研究了几种从给定基类的凸包中度量函数复杂度的方法。这些复杂度度量考虑到凸组合的稀疏权重以及涉及其中的基函数的某些聚类属性。我们证明了一些新的上界置信区间，这些置信区间是应用新的复杂度度量和分类边际的经验分布的集成（投票）分类算法的泛化误差，提供了对于利用大边际分类方法的泛化性能的更好的解释。
May, 2004
使用成员预测器解决未知线性约束的组合优化问题，以学习和利用替代线性约束的新框架，并通过采样策略和解决 0-1 整数线性规划来选择需要标记的新点，以提高结果的质量。
May, 2024
本文提出了一种新的谱范数方法，用于多任务学习，假设任务被分成不同的群组，每个群组具有相似的权重向量，并演示其在合成数据及 IEDB MHC-I 结合数据集上的优秀表现。
Sep, 2008
该研究通过实现 Neyman-Pearson 范例来处理二元分类的不对称误差，提出了一个可同时满足高概率下第一类错误概率低于预设水平和第二类错误概率接近最小可能值的分类器，并通过解决具有经验目标和经验约束的优化问题提出了可用于应对此类问题的新技术。
Feb, 2011
通过利用分布鲁棒优化，我们提出了一个新的公式来学习一组规则集的集合，以在保持计算成本低的同时确保良好的泛化性能，并通过构建一个稀疏的规则集合来解决规则集的稀疏性和预测准确性之间的固有权衡。
Nov, 2023
本文提出了一种基于谱技巧和‘镜像’技巧的简单方法，用于解决由 k 个线性分类器组成的回归函数的判别学习问题，并证明了该方法在特征向量分布服从概率假设下具有近乎最优的统计效率。
Nov, 2013
本文提出了两种等价的平滑凸优化问题，并使用 Nesterov's 方法来加速计算。我们还展示了 Euclidean Projection 的解析和线性计算方法，并在多个数据集上验证了该算法的有效性。
May, 2012
本文研究了一种统一的框架方法用于解决一类混合整数优化问题，通过对其逻辑约束进行非线性方式的表达，结合规则化条件及基于混合精度算法，形成了凸二进制优化问题，并利用一种综合的数字策略方法解决问题。
Jul, 2019