• 求解優化問題方面

            1、固定A優化B再固定B優化A（代表演算法：ACS、EM）            2、引入白噪聲（randomness injection）提升模型的魯棒性，比如：

• 建立模型方面

            1、分層迭代（learning，self-paced learning， Deep-Forest, 分多個epoch迭代）            2、對抗的方法（GAN）            3、隨機化+整合            4、替代推廣

• 資料增廣方面

            1、平滑產生新資料            2、時序資料壓（放）縮幅度（y=y/a）、壓（放）縮頻率            3、增加一些有物理或實際含義的特徵（比如股票資料新增是否突破日內新高）            4、對抗生成更多樣本

• 資料預處理方面

            1、標準化輸入資料（如，x=(x-min)/(max-min)）            2、分類問題用正確率作為指標要保證樣本均衡

• 噪聲的處理方面

            1、對噪聲建模，建立引數，EM求解            2、評估標籤的可靠性，之後進行自步學習取樣            3、隨機多尺度之後整合

• 特別的技巧方面

            1、JS估計（n>2）