Rust 1.91.1 修复了 1.91.0 中的两个回归问题，包括 Wasm 平台的链接错误和 illumos 系统上 Cargo 的目标目录锁定失效。同时更新了 #[link(wasm_import_module)] 属性的处理，解决了同名符号导入的问题。

本研究探讨了在高可靠性系统中更新深度神经网络(DNN)时的回归问题。通过案例研究，采用自定义目标函数和NeuRecover技术，有效抑制了回归现象，并分析了所面临的挑战。

本研究提出了一种名为ConFrag的新方法，旨在解决噪声标签的回归问题。通过将数据转化为不连贯片段对，ConFrag提高了样本选择的准确性，并在处理标签噪声时表现优异，超越了十四个基线方法，展现出强大的鲁棒性。

本研究提出了一种创新方法，将线性回归模型转化为适用于圆形响应的模型，显著提高了预测效率，尤其在随机森林应用中表现更佳。

本研究提出了一种基于均方误差的风险方法，通过将校准问题转化为回归问题，优化分类器校准的平方误差估计。利用独立同分布的输入对，显著提升了现有估计器的性能，并与核岭回归的新估计器进行了比较。

本研究探讨了基于树的集成方法在回归问题中的应用，包括随机森林、梯度提升树和贝叶斯增加回归树。研究还介绍了概率回归树的集成版本，通过将观测分配到概率分布区域来提供平滑逼近。实验结果表明，该集成版本是一致的，并与其他性能预测方法进行了比较。

设计深度神经网络分类器是机器学习研究的活跃领域，但回归问题仍相对未经探索。研究者回归到第一原理，分析了最小二乘回归解对协变量转移的敏感性，并提出了一种方法来适应预训练神经回归模型的最后一层权重，以在不同分布的输入数据上表现更好。他们展示了这种方法如何改善数据集的性能。

本文提出了回归问题中的不平衡定义，并推广了其为分类中常用的不平衡度量。作者希望引起人们对回归不平衡问题的关注，并为未来的研究提供基础。

本研究使用多维基因编程的演化计算方法和机器学习技术，提出了前向逐步杂交操作符，取得了在回归问题研究中的显著改进和最先进的结果。同时，研究了该架构和其他架构在启发式搜索中利用信息的潜力，并解释了数据表示的共线性和复杂性。

设计深度神经网络分类器是机器学习研究的活跃领域，而回归问题仍然相对未经探索。研究者通过分析最小二乘回归的解对协变量转移的敏感性，提出了一种方法来适应预训练神经回归模型的最后一层权重，以在不同分布的输入数据上表现更好。展示了谱适应过程如何改善数据集的性能。

设计深度神经网络分类器是机器学习研究的活跃领域，而回归问题仍相对未经探索。研究者通过分析最小二乘回归的敏感性，提出了一种改善神经回归模型性能的方法。该方法在合成数据集和真实数据集上表现良好。

本文介绍了结构化状态空间模型（SSMs）在机器学习和系统识别社区中的应用，解决极长序列分类和回归问题，学习深威纳模型的有效方法。文章总结了最新贡献并指出未来研究方向。

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，其中包含多个任务的关系，并提供结构信息供 MT-WRLS 方法在其初始化过程中和 MT-OSLSSVR 的多任务核函数中体现。与现有的以在线梯度下降（OGD）或不精确立方方法为主的文献形成对比，我们实现了在输入空间维度（MT-WRLS）或实例字典大小（MT-OSLSSVR）上具有二次每实例成本的精确和近似递归。我们通过一个真实的风速预测案例研究将我们的在线多任务学习方法与其他竞争者进行比较，证明了两种提出的方法在性能上的显著收益。