探究最近邻方法在异常检测中的表现，通过综合模拟实验和理论分析得到最近邻方法相对于其他现有算法的优异性，并针对不同维度数据和异常观测提供有限样本一致性保证和分类误差率公式。

Jul, 2019

本文综述了基于最近邻的协同过滤算法，包括传统算法和先进算法如矩阵分解、稀疏编码和随机游走，介绍了设计实现最近邻推荐系统的关键选择和实践信息。

Sep, 2021

该研究探讨在使用 Imagenet 预训练特征空间的情况下，最近的自我监督深度方法是否确实优于最近邻方法进行异常检测。通过实验证明，仅使用简单的最近邻方法在准确度，few shot 泛化，训练时间和噪声稳健性方面均优于自我监督方法，同时在图像分布方面做出较少的假设。

Feb, 2020

本文提出了一种名为 GLOSS 的新算法，它在局部子空间之前使用全局邻域来检测高维复杂数据中的局部异常值，得到了比现有算法更准确的结果。

Nov, 2016

通过考虑最近邻居和邻居的邻居（k-NNN）提出一种新的算子来提高异常检测算法的性能，在常见的同质数据集（例如具有特定类型的花卉或坚果）和更多样化的数据集上均得到了改进。

May, 2023

本研究在 52 个实际多元表格数据集上评估 32 种无监督异常检测算法，在收集的数据集中，K-thNN 算法在大多数情况下表现最佳，也确定了两个清晰的簇，一个有 “局部” 数据集，另一个有 “全局” 数据集，考虑到算法的计算复杂性，这三种算法足以找到代表性的多元数据集中的异常。

May, 2023

本文提出了一种基于简要构建的数据摘要的分布式无监督学习算法，对异常点的全局识别有很好的近似保证，并在真实和人工数据上超过了所有基线算法。

May, 2018

通过研究在随机噪声情况下的 k - 最近邻（k-NN）一致性，提出了一种鲁棒的 k-NN 方法 (RkNN)，在处理噪声标签时具有一定的纠错和分类能力。

Jul, 2016

该研究论文讨论了最近邻（NN）技术在模式识别、文本分类、目标识别等领域的应用。文中介绍了结构无关和结构相关技术，如加权 kNN，基于模型的 kNN 等结构无关技术以及 k-d 树，球树，主轴树，最近特征线，可调 NN 等结构相关算法，并提出了结构无关方法可以克服内存限制，而结构相关技术可以减少计算复杂度。

Jul, 2010

本文针对分类器的测试攻击问题，引入了一种理论框架，类似于偏差 - 方差理论，并使用该框架对一种典型的非参数分类器 - k 最近邻分类器的鲁棒性进行了分析，并提出了一种新的修改的 1 最近邻分类器，其在大样本极限下具有良好的鲁棒性。

Jun, 2017