该文介绍了一种新的回归算法，它学习线性因子函数，并解决了维度灾难的问题，可用于信念传播和强化学习等应用。通过正则化的贪心优化方案，在训练期间学习因子基函数。新的回归算法在基准任务上表现竞争力，学习的线性因子函数相当精简。

Dec, 2014

本文提出了一种基于 Reproducing Kernel Hilbert Spaces 的估计方法，建立了在预测误差方面我们估计的最优收敛率的非线性函数回归模型，并讨论了在这些复杂模型中出现的计算挑战。同时提供了仿真及应用：在 2008 年金融危机期间的累积日内回报。

Aug, 2017

本文介绍了函数数据分析（FDA）的基本概念及其方法，着重介绍了 FDA 中应用广泛的函数回归，包括基函数、函数响应回归和函数之间的回归，并强调了重复性和规律性在这些方法中的作用。

Jun, 2014

通过提出鲁棒性函数主成分和鲁棒线性回归结合的两步估计方法和一种可以减少估计曲率的转换，本研究在椭圆分布下证明了这些估计量的 Fisher 一致性和在温和正则性条件下的一致性，探究了这些估计量的影响函数，模拟实验表明，相比现有的方法，所提出的估计方法具有合理的效率、能够防止出现异常预测点、产生平滑的估计值，并表现良好。

Jun, 2018

本文提出了一种用于实时面部追踪的连续回归方法，将输入空间近似于其一阶 Taylor 展开，并将连续最小二乘问题扩展到相关变量，将其纳入级联回归框架中，并展示了在训练和测试中的计算效益。最后，提出了一种名为 iCCR 的快速增量学习方法，显示其复杂度可以实现实时面部追踪和最先进的性能。

Dec, 2016

描述了一种基于机器学习的方法，用于给定多个输入变量的值来预测实值函数的值，并引出了一种规则决策模型，经实验证明其与现有的机器学习和统计方法具有竞争力并且有可能表现更好的回归性能。

Dec, 1995

该研究提出一种名称为 FAR 的新型范式，用于通过在输入的局部领域内最小化属性映射的最大差异来训练模型的鲁棒属性。通过新模型 AAT 和 AdvAAT 的实验表明，所提出的方法在对抗干扰下都更有稳健性。

Oct, 2020

本研究通过实验挑战了深度网络泛化不良的原因在于恢复 “正确” 特征失败的观点，并提出了一种新的领域调整回归（DARE）方法，该方法根据分布转移的新模型，通过域特定调整来统一一个规范潜在空间，并在该空间中学习预测。在有限环境下，该方法的收敛保证了最小最优预测器，相比之前的方法，该方法表现更好。

Feb, 2022

本研究提出了一种新的无监督领域自适应回归方法，通过分析线性回归器的闭式最小二乘解，我们提出了一种基于特征的逆 Gram 矩阵对齐的方法，将源域数据和目标域数据转换到相同的矩阵空间，从而大幅度提高回归性能。

Mar, 2023

研究了用非参数函数类对输入协变量和输出响应共同进行回归的问题，并开发了一个新型的可扩展的非参数估计器，Triple-Basis Estimator，它可以在许多实例的数据集上运行，并在各种真实数据集中显示了速度预测和降低误差的显著改进。

Oct, 2014