该论文探讨了基于模板方法选择数据集中的样本子集，以在分类场景下实现数据精简，即挑选代表性样本集合进行分类任务的研究，并提出了一种基于集合覆盖优化的方法来解决这一问题。

Feb, 2012

本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。

Jun, 2023

本文提出了一种数据挖掘算法，利用强理论保证在任何对称正定核情况下找到代表性原型和批评（即异常值），并演示了其在零售、MNIST 数字识别和 CDC 数据集上的实际应用效果。

Jul, 2017

本文提出了一种通过利用视觉数据中的空间稀疏性进行模型加速的新方法，该方法基于所提出的动态令牌稀疏化框架，并通过自适应和不对称计算等方式推广到各种体系结构中，通过对不重要的特征使用轻量级快速路径和对更重要位置使用更具表现力的慢速路径，可以显著减少总体计算量，实验结果表明动态空间稀疏化为模型加速提供了新的更有效的解决方案。

Jul, 2022

本文证明了在生态数据的空间预测中，除了空间验证之外，空间变量选择也必须考虑，以产生可靠的预测结果。使用 “随机森林” 机器学习算法，作者通过两个案例研究了非空间和空间交叉验证策略，并发现高度自相关的预测变量可能导致过拟合，从而产生错误的空间预测模式。

Aug, 2019

提出了一种通过识别和利用决策的实用结构，在机器学习系统中制定简化抽象的方法，该方法自动配置输出空间以最小化决策相关信息的损失，该方法通过减少所需的数据实现了更好的决策质量。

Mar, 2023

通过设计空间感知的搜索算子，我们提出了一种名为 SPATIAL 的群体智能算法，用于解决具有离散空间单位的空间优化问题，该算法已应用于学校（再）分区问题，并在真实数据集上进行了实验验证。

Aug, 2022

Skipper 是一个受人类有意识规划启发的基于模型的强化学习代理，利用空间和时间抽象来在新情境中推广学到的技能，通过自动将任务分解为更小、更可管理的子任务来实现稀疏决策，并将计算集中在环境相关的部分。与现有的基于层次规划的方法相比，基于图的高层代理问题的定义和端到端学习的顶点和边的学习确保了性能保证，理论分析确定了我们的方法在何种情况下有帮助。通过以泛化为重点的实验验证，Skipper 在零样本泛化方面具有显著优势。

Sep, 2023

我们提出了一种新的边界优化类原型生成（BRPG）方法，将其纳入整个训练框架中，该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上的实验表明，它优于当前最先进的方法。

Jul, 2023

通过使用代理数据，提出了一种新的代理数据选择方法，可以在不牺牲搜索性能的情况下减少神经架构搜索的计算成本。经过对各种选择方法构建的代理数据的熵分析，该方法可显著降低搜索成本并发现具有竞争力的架构。

Jun, 2021