本文提出了一种适用于文本分类任务的策略，无需标签样本，只需少量样本查询，并将先验类分布适应于任务，通过对模型后验概率进行校准，结果表明这些方法在提示中的不同训练次数下优于未适应模型。

Jul, 2023

该研究展示出半监督领域自适应 (Semi-Supervised Domain Adaptation, SSDA) 可以在不需要特征对齐的情况下学习一个精度较高的目标分类器，使用自监督预训练和一致性正则化等简单技术可以实现良好的目标集群分离效果，超越多种对抗领域对齐方法在多个数据集上实现了卓越的目标精度。

Jan, 2021

通过理论和实验，本文证明了无视概率值可以减轻在 conformal prediction 中概率值失配所导致的大预测集的不良影响。然后，提出了一种名为 “Sorted Adaptive prediction sets” (SAPS) 的新算法，其丢弃除最大 softmax 概率以外的所有概率值，以最小化非符合度分数对概率值的依赖，同时保留不确定性信息，从而生成小型集合并传达逐个实例的不确定性。在理论上，提供了 SAPS 的有限样本覆盖保证，并证明了 SAPS 的预期集合大小始终小于 APS。广泛的实验验证了 SAPS 不仅减小了预测集，还显著提高了预测集的条件覆盖率和适应性。

Oct, 2023

我们提出了一种新方法 UPSA，它利用模拟退火实现无监督的同义词生成。我们将同义词生成建模为一个优化问题，并提出了一个复杂的目标函数，涉及同义词的语义相似性、表达多样性和语言流畅性。然后，UPSA 通过执行一系列局部编辑来朝着这个目标搜索句子空间。我们的方法是无监督的，不需要平行语料库进行训练，因此可以轻松应用于不同的领域。我们在各种基准数据集上评估了我们的方法，即 Quora、Wikianswers、MSCOCO 和 Twitter 等。广泛的结果表明，UPSA 在自动和人工评估方面都实现了与以前的无监督方法相比的最先进性能。此外，我们的方法优于大多数现有的领域自适应监督模型，显示了 UPSA 的通用性。

Sep, 2019

该论文提出了两种混合整数 SDP，用于优化选择主子矩阵的最大特征值，进一步分析和证明了它们的理论最优性差距优于现有技术，然后解决了在解决 MISDP 时存在的计算难题，同时提出了近似算法和 MILP 模型，有效地解决了规模问题，最后将其扩展到非对称矩阵和多个协方差矩阵的情况。

Aug, 2020

ALPaCA 是一种使用神经网络的元学习算法，通过在数据集中学习一个特定领域的有限维特征编码和相关权重的先验，利用后验预测密度进行贝叶斯线性回归，以提高回归任务在机器人领域的可伸缩性和数据效率。

Jul, 2018

本文介绍了两种新算法（SUnSAL 和 C-SUnSAL），用于解决凸优化问题，特别是在高光谱分离中使用的问题。这些算法基于交替方向乘子方法，可用于解决 CBP 和 CBPDN 问题以及 CLS 和 FCLS 问题。实验结果表明，这些算法在速度和准确性方面优于现有的方法。

Feb, 2010

本文提出了一种基于偏差自适应分类器的伪标签半监督学习方法，通过引入一个偏差吸引器来自动补偿类别不平衡带来的偏差，从而提高了伪标签方法在类别不平衡情况下的性能。实验证明，该方法优于现有的基准方法。

Jul, 2022

提出了一种称为 Universal Semi-supervised Model Adaptation (USMA) 的现实和具有挑战性的领域适应问题，该问题需要预训练的源模型，允许源域和目标域具有不同的标签集，并且在目标域中每个类别只需要少量标记样本。为了解决 USMA 问题，提出了一种协同一致性训练框架，通过在两个模型之间正则化预测一致性来结合它们的互补优势，以学习更强大的模型，并提出了一种基于样本和类别的一致性正则化方法来改善训练过程。在几个基准数据集上的实验证明了我们方法的有效性。

Jul, 2023

本文提出一种半监督对比学习 (Semi-supervised Contrastive Learning，简称 SsCL) 的训练策略，将自监督学习中著名的对比损失与半监督学习中的交叉熵损失相结合，进而联合优化两个目标，并使用神经网络来实现。结果表明，SsCL 产生了更具有区分性的表示，并对于少样本学习非常有益。在使用 ResNet50 作为后端的 ImageNet 数据集上，SsCL 分别以 1% 和 10% 的标记样本获得了 60.2% 和 72.1% 的 top-1 精度，这比基线要好得多，也优于以前的半监督学习和自监督学习方法。

May, 2021