- 聚合输出的回归主动学习
提出使用互信息测量方法的主动学习模型，使用 Bayesian linear basis functions 模型，在训练聚合数据的回归模型时减少标注集的成本，并实现更好的预测性能。
- ACL女性遇害新闻报道中的责任感知预测
本研究通过对意大利报纸语料库中自动提取的 GBV 描述的大规模感知调查和回归模型的训练，展示了不同语言选择会引发不同的责任感知，并且这样的感知可以被自动建模。
- MM基于集成回归模型的异常 ISP 流量预测
本研究分析了几个回归模型以预测真实的网络流量，包括 Extra Gradient Boost（XGBoost）、Light Gradient Boosting Machine（LightGBM）、Stochastic Gradient De - ICLR一种广义的加权优化方法用于计算学习和反演
本文研究了回归模型的普适能力，用加权最小二乘优化方法，对有噪声数据的计算学习和反演进行了分析。权重方案编码了关于要学习的对象的先验知识和策略，权重来自先验知识可以提高学习模型的泛化能力。
- 为决策支持形成推特的预测特征
本篇文章阐述了使用图论、频繁项集和关联规则理论，构建和检索不同特征来进行推测性分析，揭示与指定实体相关的推文的语义结构。并且证明了语义频繁项集的定量特征可以用于具有指定目标变量的预测回归模型。
- 用简单的岭惩罚实现公平性
本文提出了一个通用框架，以用户定义的公平级别为条件估计回归模型，并在选择惩罚项的模型选择过程中对公平性进行强制，所得的回归系数估计结果易于根据公平级别解释。同时，本文通过实验证明所提方法在与其他已有方法比较后，提供了更好的适合度和相同公平级 - MM使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序
本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的 - 深度学习在多变量时间序列回归中的对抗性样本
探索 DL 在多元时间序列回归中的脆弱性，发现在安全关键和成本关键应用中，所有评估的 DL 回归模型都容易遭受对抗攻击。
- CVPR分类器准确性评估是否总是需要标签？
本文讨论了在存在未标记测试数据时自动模型评估的问题，并提出了一种利用采样数据和回归模型估计模型精度的方法，称之为 AutoEval。
- 基于模型的设计的自动聚焦神谕
数据驱动设计正在广泛应用于蛋白质、小分子和材料工程等领域。然而，设计目标需要进入超出模型训练范围的设计空间， 因此需要针对式样寻找新的候选设计。本文提出了一种自动对焦方法来调整回归模型，以适应训练范围之外的新式样，从而更好地实现数据驱动设计 - ACL自然语言处理任务性能预测
本文提出了一种使用回归模型来预测 NLP 实验评估分数的方法，并证明了这种方法可以有效地预测 NLP 实验结果。同时，作者还提出这种方法可以用来确定实验的子集，以获得对所有实验设置的合理预测。
- KDD天猫零售商销售额预测
本文研究了 Tmall 上售货商销售预测的情况，发现销售具有季节性和 Tweedie 分布特征，为此提出了季节性提取和分布转换两种销售预测机制，并将其应用于神经网络和梯度提升决策树等回归模型，实验结果表明两种机制均能显著提高预测效果。
- 通过有效的互信息近似实现快速公平回归
本文针对算法公平性和回归模型中的组公平标准，提出了快速近似的独立性、分离性和充分性，用于执行正则化风险最小化，从而实现公平性和准确性的折衷。
- 针对连续特征的公正感知神经 Réyni 最小化
本文旨在针对连续变量，保证回归模型输出与任何给定的连续敏感变量之间的一定独立性，通过减少 HGR 上限及使用对抗神经网络结构直接最小化 HGR 系数两种途径以最小化 HGR 系数。经过实证评估和比较，我们证明了这两种方法相对于该领域以前提出 - 排名和回归的成对公平性
我们提出了针对排名模型和回归模型的成对公平度量标准，这些标准类似于统计公平概念，如平等机会、平等准确性和统计平等，通过现有的约束优化和鲁棒优化技术可以有效地解决结果训练问题，实验表明这些方法具有广泛的适用性和权衡性。
- ICML回归分布校准
本文介绍了一种新的分布校准方法，并提出了采用多输出高斯过程和 Beta 链接函数的方法来改善先前训练的回归模型的预测的后验方法。该方法得到了实验验证，并在分布层和分位数层面上均有所提高。
- 通过跨度提取实现统一的问答、文本分类、和回归
本论文的研究表明，使用统一的 span extraction 方法可以在多个任务中取得优越或可比的性能，而不必采用不同的输出层（如 span decoder 和 fixed-class classification layers 等）来适应 - 使用机器学习改善西部地区的亚季节预测
该论文描述了一个基于机器学习方法的预测系统，该系统利用历史气象测量值和动态模型预测，通过裁剪无关预测器和加权最近邻特征引入加权局部线性回归，显著提高了长期预测准确性。该系统在 Subseasonal Climate Forecast Rod - COLA：分散式線性學習
该论文介绍了分散式机器学习的新算法 COLA，该算法具有强大的理论保证和优越的实用性能，克服了现有方法的许多限制，并在数据和参与设备发生变化时实现通信效率、可扩展性、弹性和韧性。
- CVPR全局汇总池化：一种针对大型图像小数据集进行物体计数的泛化技巧
本研究探讨了如何训练用于计数物体的单视角回归模型，提出了使用全局求和池化代替全局平均池化或全连接层，从而避免局部估计相互抵消的问题以及由于在全分辨率图像上训练而导致的过拟合问题，并在四个不同的航空影像数据集上验证了模型的有效性。