之前阅读了左老师的两个paper,一直没有给总结，今天来赶紧写一下
《On kernel difference-weighted k-nearest neighbor classification》
KNN的改进方法，利用临近点的差距作为权值的学习策略。将权值的学习转化成约束优化的问题，从优化数学的角度论证了易求解和适应高斯噪声以及扩展为kernel version，实验部分k,n以及theta是prefix然后相互学习下降求解的。
Contribution:
1.提出difference-weighted,转化成约束优化Model
2.证明了理论性以及适应于非线性数据集，kernel
3.得到实验结果比一些state-of-art的NN要好
摘要
NN是一个简单有效的模式识别聚类方法,这个论文提出了Kernel difference-weighted的KDF-KNN方法，用difference-weighted作为计算聚类距离时的权值，将一般的权值求解编程带约束的优化问题，并基于此理论Kernel化，最后验证数学理论和算法复杂度
问题建模
将最近邻的权值设置为 $W = argmin\frac{1}{2}||x-w^TX||^2 $ , $s.t. \sum_i^w w_i =1 $ , x为样本与相邻的欧几距离，w为当前权值。w是最终关于该数据集模型的最优权值，所以接下来的DW-KNN就是求解上述方程的约束最优化问题了
接下来使用凸优化和朗格朗日的方法求解,接下来做了关于高斯噪声的优化以及Kernel提升以适应非线性数据集，还理论分析对比了该方法与其他方法的复杂度
总结
该方法计算使用x与邻近的不同作为权值来计算，而非简单的距离。将该问题有效转化成约束优化问题，从理论上证明该方法的理论有效性并从实验验证了该算法的有效性。
《On accurate orientation extraction and appropriate distance measure for low-resolution palmprint recognition》
左老师在理大生物识别实验室的掌纹识别工作
1.掌纹识别的背景
2.两个问题：低分辨下，feature和distance measure
3.提出orientation feature
4.提出General angular distance的框架
