本研究提出了一种新的线性子空间学习技术，名为 J-Play，可以有效的通过多个子空间，线性逼近最优映射来学习高级别和有意义的特征表示，并在对多标签分类问题的应用中展示了其卓越的效果和有效性。

Aug, 2018

对一种正则化优化问题，引入一种求系数路径的方法及其性质，为回归和分类的 LASSO 提供了鲁棒性解决方案，同时提出了现有问题的新型算法，包括 Mammen 与 van de Geer 的局部自适应回归样条。

Aug, 2007

为了发现矩阵对的稀疏广义特征向量，提出了一种基于连续代理函数和二次可分离函数的优化算法，并通过平滑技术处理了奇异性问题和特别结构的情况，相较于先前算法更有效。

Aug, 2014

本文提出采用树集成的核解释作为高斯过程先验以获得模型方差估计，并开发了与采集函数兼容的优化公式来同时解决使用树集成进行黑盒优化的两个主要挑战，从而在连续 / 离散特征以及混合特征的空间中，优于竞争方法。

Jul, 2022

本文介绍了 “逐一” 坐标下降算法及其在 $ L_1 $- 惩罚回归（套索）、garotte 和弹性网络等相关方法中的应用，证明了该算法可以与广泛应用的 LARS（或同伦）过程竞争，在大规模 lasso 问题中引起了不少关注。但注意到它并不适用于 “融合 Lasso”，所以论文提出了一个广义算法，在比标准的凸优化器运行时间更短的时间内得出了解决方案。最后，将该过程推广到二维融合 Lasso，并展示了其在一些图像平滑问题上的性能。

Aug, 2007

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

本文提出了一种连续优化方法来构建精简的最佳分类树，基于斜裁剪，并旨在在整个树中使用较少的预测变量进行剪枝。该方法模拟了本地和全局稀疏性，证明了其对提高分类精度具有实用性。

Feb, 2020

该论文提出了一种算法，该算法能够基于全局目标同时优化决策树的所有级别的分裂函数和叶参数，使用随机梯度下降进行优化，实验结果表明，该算法相比贪心算法在分类任务的表现优秀。

Nov, 2015

本文提出了一种基于生成对抗网络（GAN）的流形内插框架，以学习流形并在其上生成高质量解。我们将该算法与几种最先进的算法进行了比较，实验结果表明该框架在解决大规模多目标优化问题时取得了显著的改进。

Jan, 2021

利用分段多项式来近似 1D 轨迹规划中电子凸轮设计的函数，结合现代机器学习优化器，特别是梯度下降方法，利用正交多项式基函数以及创新的正则化方法，在模型参数优化和连续性优化方面取得了明显提升的收敛性能。

Mar, 2024