该研究提出了一种并行化算法，用于找到最优的阈值标签，通过使用该算法和并行处理相比使用基于动态规划的现有算法，可以将阈值方法的整个学习过程的计算时间缩短到约 60％。

May, 2024

提出了两种新的方法，一种是通过新的架构来实现偏好的单峰分布，另一种则通过利用映射的概念来建立新的损失函数，以促进单峰性，实践结果表明新架构获得了最佳性能，并且新损失项在维持高单峰性的同时具有很强的竞争力。

Mar, 2023

该论文研究使用阈值设定来解决类别不平衡的问题，提出了一种函数阈值的概念，可以用于线性分类和非线性分类算法中，并针对制造业领域的异常检测问题进行分析和研究。

Jul, 2016

该研究考虑在线主动学习来收集回归建模的数据，提出了一种基于阈值的算法来选择最具信息量的观测数据，并将其推广到高维稀疏线性回归，仿真结果表明该算法相对于被动随机抽样具有显著优势。

Feb, 2016

通过三个原则，我们提出了一种全面自适应的标签分布学习方法，称为单峰浓缩损失方法，它使用学习排序策略获得单峰分布，并将估计误差和预测分布的方差集成到损失中，具有在年龄和头部姿态估计等回归任务上表现优越的结果。

Apr, 2022

本文提出了一个简单的序列预测框架 Ord2Seq，将有序回归任务转化为序列预测过程，以便细致地区分相邻类别，实验证明细致区分相邻类别能够显著提高性能，并且新方法在四个不同场景中超越了现有最先进方法的表现。

Jul, 2023

本文研究了具有阈值激活函数的神经网络的权重衰减正则化训练问题，发现在网络的最后一个隐藏层宽度超过一定阈值时，这些问题可以被等价地形式化为标准的凸优化问题，类似于 LASSO 方法，并且通过各种数字实验验证理论结果。

Mar, 2023

我们扩展了标准的符合预测方法，开发了几种符合风险控制方法，并应用于不同的学习问题。本文中，我们致力于控制序列分类任务中的符合风险，该任务在许多实际问题中具有广泛应用。为此，我们首先在符合风险控制框架中对序列分类任务进行了规范，并提供了理论风险边界控制方法。然后，我们提出了两种特别设计用于序列分类任务的损失函数，并开发了相应的算法来确定每种情况的预测集，以便将其风险控制在所需的水平。我们展示了我们提出的方法的有效性，并分析了两种风险在三个不同数据集上的差异，包括模拟数据集、UTKFace 数据集和糖尿病视网膜病变检测数据集。

May, 2024

本文介绍了在高维环境下，使用 M-estimators 在广义线性回归模型中需要风险最小化，并提出了第一个 IHT 样式算法在高维统计学中的分析框架，这对于稀疏回归和低秩矩阵恢复等问题具有实际应用价值。

Oct, 2014

本文探讨了基于深度神经网络的序数分类问题，通过对均方误差损失函数的简单修改，使其可以敏感地处理类别排序，同时还能获得各个类别的离散概率分布。我们基于 softmax 隐藏层提出了一种新的算法，经实验在 Kaggle 糖尿病性视网膜病变数据集上表现优于所有基线模型。

Dec, 2016