本文提出并证明了三种新的启发式算法可以用于遥感应用中的样本选择，以最小化模板来估计其位置估计与真实模板之间的误差。

Sep, 2013

通过简单修改最近邻分类器，我们展示了一个强Bayes一致的学习器，优于k-NN分类器，并在限制样本大小和算法时间方面具有较大的优势，获得了令人鼓舞的实验结果。

Jul, 2014

本文提出了一种新的最近邻方法，它能够适应不同空间区域的不同距离尺度，并分析其在度量空间的行为，从而得出分布相关的有限样本收敛速率，并实现了广泛数据空间的最近邻的普遍一致性。

Jun, 2014

本论文研究使用替代距离的最近邻分类器（k-NN）算法，并探讨了基于一系列随机范数或基于一些特定的一致性条件的距离，并探究了对类别标签的自适应选择距离的两阶段 k-NN 分类器。

Nov, 2015

本文提出了一种简单的，能够使权重最优化的局部加权回归/分类方法，并能够为需要估计值的每个数据点高效地找到权重和最优化的邻居数量，从而在多个数据集上展示了比标准局部加权方法更优异的性能表现。

Jan, 2017

研究使用局部-$k$-最近邻分类器的全局超额风险的渐近展开式，通过此理论发现半监督学习问题中的局部选择 $k$ 能够实现额外风险的收敛速率，同时通过模拟研究验证了该理论。

Apr, 2017

该论文提出了一种改进的K近邻分类器，它可以自适应地为每个查询选择K，该选择取决于每个邻域的属性，因此可能在不同点之间显着变化，并且可以利用条件概率推导推导出一些收敛界限。

May, 2019

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

本文介绍了最近邻分类器的技术和方法，主要关注评估相似度、处理计算问题、降低数据维度等方面，新增时间序列相似性、检索加速和固有维度的相关内容，并提供了相关Python代码。

Apr, 2020

本研究解决了传统 $k$-最近邻算法中邻居数 $k$ 定义不当的问题，提出了一种新颖的自适应 $k$-最近邻 ($kK$-NN) 算法。该方法通过局部估计曲率动态调整邻域大小，实验证明该算法在处理有限训练样本时表现出优越的平衡准确率，展现了更强的分类能力。

Sep, 2024