探讨利用机器学习算法进行医学影像诊断的问题，并提出在线调度问题的解决方案，通过分析来自不同紧迫性病人的数据，制定出优先顺序以提高病人救治效率。

Dec, 2022

员工知识是组织的资产，员工流失可能造成明显和隐藏的成本和不可修复的损害。为了克服和减轻这种风险，应监控员工的状况。由于分析员工福祉特征的复杂性较高，员工离职预测可以委托给机器学习技术。本文讨论了员工的离职率，并使用 AdaBoost、SVM 和 RandomForest 这三种不同的监督学习算法来评估员工离职的准确性。获得的模型可以帮助建立预测分析。

Feb, 2024

通过引入数据驱动的统计与机器学习模型以及有效的随机化局部搜索算法，我们的研究在公共交通的积极干预和管理方面取得了有希望的结果，为交通管理机构提供了一种实用且易于实施的解决方案，以增强其服务的可靠性，进而促进更具弹性和可获得性的公共交通，使最依赖公共交通的社区受益。

Mar, 2024

本文讨论了工业机器学习系统中的数据挑战及解决方案。结合劳动规划案例，介绍了如何使预测系统对数据分布变化、缺失值和异常值具有鲁棒性。采用周期性重训练策略以解决数据分布变化，着重讨论了数据稳定性的关键重要性。此外，文章还展示了深度学习模型如何在不需要插补的情况下本地化处理缺失值。最后，文章介绍了如何检测输入数据中的异常并在其影响预测之前减轻其影响。这样，我们得到了一个完全自主的预测系统，与由算法和人工控制混合的系统相比具有更好的效果。

Mar, 2022

本文提出了 HR-DSS 方法，它使用可解释性 AI 解决员工流失等人力资源问题，并用 “What-if-analysis” 观察个体员工流失的原因和对策，利用最佳模型优化业务决策来实现员工保留。

Apr, 2023

提出了一种新的框架 ROAR（RObust Algorithmic Recourse）用于解决由于模型漂移导致现有的后事补救技术不再有效的问题，该框架利用对抗性训练找到了对模型漂移具有鲁棒性的后事补救，实验评估结果表明这种方法在多个合成和现实世界数据集上具有很高的效度。

Feb, 2021

本文提出和比较了三种不同的建模策略：标准方法、利用新数据和代理结果的方法以及混合方法，发现混合方法对于分布转移和弱代理关系具有鲁棒性，且实际上超越了标准方法和基于代理关系的方法。

Jun, 2023

研究工作环境中的伤害风险预测和预防问题，针对一个机构难以收集足够大的数据集、数据集不平衡和需要提供附加上下文的问题，提出并评估了多种集成重采样方法、新颖的迁移学习方法和控制相关混淆因素的各种技术。

Jun, 2019

我们的研究验证了我们对连续和分类任务的预测框架的有效性，并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。

Dec, 2023

人力资源部门面临预测申请人是否寻找新工作或留在公司的挑战。本论文讨论了机器学习如何用于预测谁将转到新工作，采用数据预处理以适合机器学习模型，处理分类特征，应用数据编码和多个机器学习算法，包括随机森林、逻辑回归、决策树和极端梯度提升。为提高机器学习模型的性能，使用合成少数类过采样技术 (SMOTE) 进行改进，采用决策支持指标，如精确度、召回率、F1-Score 和准确度进行评估。

Sep, 2023