- 通过条件熵估计进行回归问题的可预测性分析
传统的回归问题中，模型准确性一直以来是一个模糊的问题，本研究引入条件熵估计器来评估回归问题中的可预测性，尤其是 KNIFE-P 估计器和 LMC-P 估计器，在合成和真实数据集上的广泛实验表明了它们的鲁棒性和实用性，为回归模型的开发提供了有 - 贝叶斯加性回归网络
应用贝叶斯加法回归树（BART）原理对小型神经网络进行回归任务的训练，通过马尔科夫链蒙特卡洛从具有单隐藏层的神经网络的后验分布中进行采样并应用吉布斯采样来更新每个网络，演示了该技术在多个基准回归问题上的有效性，并与等效的浅层神经网络、BAR - 基于 Wasserstein 距离和 GroupSort 神经网络的回归主动学习
本文提出了一种用于回归问题的新型主动学习策略，所提出的 Wasserstein 主动回归模型基于分布匹配原理来衡量标记数据集的代表性，使用 GroupSort 神经网络计算 Wasserstein 距离，该网络提供了理论基础，能够以明确的边 - 快速自适应预测区间的回归树
提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。
- 鲁棒大规模网络定位的注意力图神经网络
提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。
- 几乎验证时间内的矩阵完成
我们提供了一个解决低秩矩阵完成问题的新框架，通过聚合涉及观测的回归问题的解来将矩阵 M 完成，并改进了之前已知的算法的样本复杂度和运行时间。
- 在线多任务学习的递归最小二乘和递归核方法
该论文介绍了两种新颖的在线多任务学习回归问题的方法，分别基于高性能的基于图的多任务学习和基于加权递归最小二乘法（WRLS）和在线稀疏最小二乘支持向量回归（OSLSSVR）的递归版本。通过任务堆叠变换，我们证明存在一个单一矩阵，其中包含多个任 - 基于克里斯托费函数的任意数据主动学习通用框架
介绍了一种通用框架，可用于回归问题的主动学习，其中包括渐进式改进的数据类型，采样度量的优化以及广义 Christoffel 函数在优化采样度量中的作用。
- 野外科学计算的深度主动学习
本文首次探究使用十个最先进的深度主动学习方法并解决八个基准问题的科学计算问题的鲁棒性，并建议对于科学计算问题，多样性是鲁棒的深度主动学习的必要条件。
- 离线强化学习中的模型选择的 Oracle 不等式
本文研究了离线强化学习（offline reinforcement learning）中，如何进行模型选择，并针对该问题设计了一种算法 ModBE，该算法可实现最优性保证、思路简单、计算高效，适用于在候选模型类中进行选择，并且以解决一系列平 - 通过距离感知先验校准贝叶斯神经网络的不确定性
本文提出了一种基于距离感知的先验分布校准方法 (DAP)，可用于纠正贝叶斯深度学习模型在域外过于自信的问题，该方法可以作为后处理步骤执行，并能够有效地用于多种分类和回归问题。
- ICML使用 Alpha - 散度的贝叶斯神经网络可靠不确定性
本文提出基于信息几何中 alpha 差异的 BNN 校准方法，将 alpha 差异用于校准，针对参数估计和输出不确定性关系的回归问题，在特定 alpha 下提供更好的校准不确定性估计并提高了网络结构的计算效率。
- 知识蒸馏在小模型回归问题训练中的高效方法
本文提出了一种用于回归问题的新的知识蒸馏形式，其中包括教师异常值拒绝损失函数和多任务网络等内容，并通过对多个数据集的评估表明，该方法可以提高准确性。
- ICML因果机制转移的少样本领域自适应
本文提出了一种利用机制转移适应目标领域的方法，该方法可以在数据生成机制在不同领域间不变的假设下应对非参数移位问题，并应用因果模型中的结构方程来进行域适应，实验证明该方法可以在回归问题中有效使用。
- 分布式系统的最小二乘逼近
该研究提出了一种分布式最小二乘逼近法，能够解决大量回归问题，使用局部二次函数逼近本地目标函数，通过取局部估计的加权平均值得到联合估计值，进一步使用自适应 Lasso 方法进行收缩估计，使用新设计的分布式贝叶斯信息准则分析分布式回归，取得了令 - 自监督学习在 CNN 中的无标签数据利用
本文介绍了一种使用排序作为代理任务的自监督学习方法，以及一种有效的后向传播技术，使用该方法可以在标记数据和无标记数据上同时进行回归任务和排序任务的训练，结果表明使用自监督学习可以在图像质量评估（IQA）和人群计数方面实现更好的结果，并且利用 - 利用特征对比将半监督生成对抗网络推广到回归问题
该论文将半监督生成对抗网络从分类问题推广到回归问题，并提出了特征对比的新损失函数，旨在提高神经网络训练的准确率，可以用于计算机视觉等领域的实际应用。
- 贪心采样实现回归活性学习
该论文提出了两种基于贪心采样的主动学习方法，一种选择增加输出空间中的多样性，另一种选择增加输入和输出空间的多样性，经过大量实验验证在各种领域的数据集和驾驶员昏沉感估计中都具有很好的效果和鲁棒性。
- 离散的拟合预测用于高效无分布推断
本文提出离散化的符合预测算法，它们可以保证在计算成本和预测准确性之间提供平衡，适用于在回归问题中构建可以覆盖目标值的预测区间。
- 半监督学习中 $p$-Laplacian 正则化的分析
本研究探讨了半监督学习中的回归问题，以随机几何图形模拟数据几何结构，将离散的 $p$- 拉普拉斯正则化纳入模型，研究了无标记点数增加时渐近表现的性质，发现模型存在收敛性限制，提出了一个简单的模型来解决这一限制。