利用高斯过程回归和贝叶斯优化方法，我们提出了一种在复杂多维参数空间中构建高效数据库用于训练机器学习模型的新方法，该方法可以在资源有限的情况下提高模型精度并减少数据收集的工作量。

Dec, 2023

本文首次对机器学习相关的装箱问题（BPP）方法进行了系统回顾，介绍了 BPP 的变体和实际限制，并对多维 BPP 进行了全面调研。同时，我们收集了一些 3D BPP 的公共基准，并在 Cutting Stock 数据集上评估了一些在线方法。最后，我们分享了在装箱问题中存在的挑战和未来方向。

Dec, 2023

本研究基于贝叶斯优化框架，建立高斯过程模型，通过前期实验获得的信息来优化机器学习算法的超参数调整，作者提出可以超过经验人类调参表现的自动算法，并介绍收集实验信息、利用多核心并行实验等新算法。

Jun, 2012

本文探讨将三种流行的马氏度量学习算法作为预处理程序，在支持向量机（SVM）- RBF 分类器上的作用。结果表明，这种算法效果并不理想。作者提出一种新的算法 —— 支持向量度量学习（SVML），它无缝地将 Mahalanobis 度量的学习与 RBF-SVM 参数的训练相结合。实验证明，SVML 在精度方面优于所有替代方法，并成为交叉验证选择模型的标准欧几里得度量的严肃替代方案。

Aug, 2012

介绍了一种新的基于演化算法的、双层成本敏感的支持向量机方法 EBCS-SVM，可用于解决非平衡分类问题，并通过对 70 个数据集的实验结果进行比较，证明了其有效性。

Apr, 2022

通过对 Dry Bean 数据集的分析，支持向量机（SVM）的径向基函数（RBF）算法在准确率、精度、召回率和 F1 得分等方面均表现最佳，这为复杂和非线性结构数据集中考虑不同 SVM 算法的重要性提供了宝贵的指导。

Jul, 2023

该论文提出了一种基于 Poincaré ball 模型的统一框架，用于构建可伸缩、简单的超几何线性分类器，并给出了凸优化的解决方案，该算法在合成数据集和真实数据集上的表现均有很高的准确率。

Sep, 2021

提出了一种新的无需基于相关性估计的基于混合分布的校正方法 ——MBC。实验证明，MBC 在某些情况下优于目前最先进的位置和信任偏差校正方法 ——AC，而在其他情况下表现相当。此外，与 AC 相比，MBC 的训练时间效率提高了数个数量级。

Aug, 2021

探讨使用罕见值鲁棒性来降低传统主成分分析的敏感性，研究低秩分解与稀疏分量，提出了一种新型的伪贝叶斯算法来解决现有非凸方法的设计缺陷，达到了顶尖表现及可扩大的操作范围。

Dec, 2015

本文试图探究机器学习（具体而言是支持向量机）在选择算法和问题形式时的运用，分别在选择 Cylindrical Algebraic Decomposition（CAD）变量排序策略和识别哪些 CAD 问题实例可以从 Groebner Basis 预处理中获益两个方面进行了研究，并证明了机器学习在这两个方面的表现超过了人类开发的启发式算法。

Apr, 2018