全文总字数：2530字

1. 研究目的与意义及国内外研究现状

有序学习是机器学习领域中的一项重要研究课题，由于其广泛的应用前景，近年来受到了越来越多的关注。在众多的有序学习算法中，基于间隔阈值的有序学习算法凭借性能的优越性得到了较多的关注，尽管如此，这些算法仍存在缺陷和不足，基于间隔阈值的有序学习方法一般通过l2范数计算样本的类中心，从而确定阈值的大小，但是l2范数存在抗干扰性差，对噪声敏感等缺陷。为了解决以上问题，本论文侧重于构建新型范数以求得抗噪声能力更优的样本类中心，以达到提升相关有序学习算法鲁棒性的目的。

国内外研究现状

有序回归学习目前可以分成三大类：基于直接实现的方法，基于有序二类分解的方法以及基于阈值的方法，其中基于阈值的有序学习方法是目前研究最多和应用最广泛的一类方法。经典的基于阈值的有序学习方法有Y.Liu等人提出的MOR算法以及B.Y.Sun等人提出的KDLOR算法，这些算法均含有抗干扰性差，对噪声敏感等缺陷，本文提出了新型范数以解决上述问题，提升算法的鲁棒性。从文献可知，目前已有文献提及用l1范数代替l2范数以解决上述问题，但从实验效果来看，本文提出的lp范数所带来的算法性能提升要远远优于该方法。

2. 研究的基本内容

(1) lp范数在单视图有序学习问题中的应用。在单视图有序学习问题中，将现有的基于间隔阈值算法中类中心计算方法由l2范数替换成lp范数，以达到提升算法鲁棒性的目的。

(2) lp范数及l,21范数在多视图有序学习问题中的应用。在多视图有序学习问题中，将lp范数用于类中心计算，同时将l,21范数用于不同任务之间的联合特征选择，以达到提升算法鲁棒性的目的。

(3) 新型范数在人脸年龄估计问题中的应用。将所提出的新型范数应用于人脸年龄估计等实验上，以验证所提算法的有效性。

3. 实施方案、进度安排及预期效果

1月1日-1月15日：

实施方案：阅读国内外与本课题相关的文献资料，同时重点理解几篇相关度高的文献的内容。

预期效果:对当前选题的背景以及实验方案的核心思路有充分的理解，为制定下一步的实验方案以及论文撰写打下基础。

4. 参考文献

[1] qing tian, wenqiang zhang, liping wang, songcan chen,hujun yin, robust ordinal regression induced by lp-centroid, neurocomputing,2018, 313: 184-195.

[2] qing tian, songcan chen, lishan qiao, ordinal marginmetric learning and its extension for cross-distribution image data,information sciences, 2016, 349: 50-64.

[3] hang-xing z , song-can c . ordinal discriminativecanonical correlation analysis[j]. journal of software, 2014.