本文提出了一种使用多个数据集结合模型集成方法，并将其应用于压力检测的方法，该方法的表现优于仅基于单个小数据集训练的模型。

Sep, 2022

使用 BERT 和 MentalBERT 模型，将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中，通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。

May, 2023

本文使用元回归分析方法对电力负荷短期预测精度的影响因素进行了研究，发现预测方法、预测粒度和预测时间步长对 MAPE 的影响较大，本文最终确定 LSTM 方法和神经网络与其他方法的组合是最佳预测方法，同时也提出了在负荷预测领域中需要进一步进行实证分析的观点。

May, 2023

该综述系统评估了机器学习在检测、预测和分析心理压力及相关心理障碍方面的应用。研究发现，支持向量机、神经网络和随机森林模型在所有算法中表现出色，生理参数如心率和皮肤反应是用于压力预测的常见参数，降维技术在训练机器学习算法之前是一个关键步骤。该综述还指出了研究领域的重要空白和未来发展方向。

Aug, 2023

本论文介绍了一种基于贝叶斯神经网络的框架，可通过只使用少量标记测试数据有效地测试机器学习模型的正确性，该框架利用数据扩充方法训练 BNN 以实现高精度，同时采用理论信息为基础的采样策略来采样数据点以实现准确的度量估计，并通过实验表明我们的方法比现有基准显着地提高了指标估计的准确性。

Apr, 2021

本研究讨论了在野外利用未标记的可穿戴传感器数据进行压力检测的方法，该方法结合了数据增强技术、自编码器和半监督学习等方法，通过实验验证，相较于基准监督学习模型，可以将压力分类性能提高 7.7% 到 13.8%。

Feb, 2022

测试时间自适应是将预训练的源模型无监督地适应到每个测试数据批次（无需大量测试数据，无法访问源数据）的过程，本研究提出了首个完全无监督的多源测试时间自适应框架（MeTA），它通过优化组合权重适应于测试数据分布，并只更新与目标数据最相关的源模型参数，避免 “遗忘” 源模型参数的问题。多个源模型的组合至少能与最佳源模型（具备先见之明）一样好，并且在测试数据分布随时间变化时性能不会下降（遗忘容忍性）。

Jan, 2024

该研究使用两个数据集，提出了两个多任务学习框架，使用抑郁症和压力作为主要和辅助任务，旨在利用社交媒体挖掘抑郁和压力信息，实现其早期识别。实验显示，该方法相比于传统单任务学习和迁移学习有多重优势。

May, 2023

利用可穿戴生物信号数据开发了一种多模式个性化应激预测系统，使用自监督学习模型进行预训练，并在少量注释数据下优于非自监督学习模型。该模型具有个性化的预测能力，可应用于使用复杂多模态数据流进行各种周期性健康事件的个性化预测。

Jul, 2023

本文提出了一种名为 MAST 的方法，通过学习不同数据增强的先验知识来在单个特征空间中根据任务要求建模不变性，实现在不知道任务信息的前提下进行自监督特征学习，并通过不确定性建模来解决强增强的相似性失配问题，结果表明该方法可显著提高自监督学习通用性和泛化性能。

Mar, 2023