本文描述了一种解决数据融合中冲突的信息，发现反映真实世界的价值的新方法，并给出了一个真实数据案例来证明该算法在大量数据源情况下可以显著提高真实价值的准确性和可扩展性。

Mar, 2015

本研究提出建模 Web 数据源之间的互相关联性，并应用于数据真实性验证，以创建一个更干净的集成数据。

Mar, 2015

本文提出了一种协作知识图谱融合框架，旨在使用从其他语料库中收集到的信息来精细化已有的知识图谱，并改进联合事件抽取与知识图谱融合的性能。

Jun, 2022

使用 DFMF 矩阵三因子分解的数据融合算法，将基于特征、本体、关联和网络的十七种不同数据源有效地融合，可以用于基因功能预测和预测药理作用，并取得了比其他数据融合方法更高的准确度。

Jul, 2013

我们应用数据融合方法，使用多源多模态数据从混合学习环境中预测大学生的最终学业表现。我们通过应用四种不同的数据融合方法和六种分类算法进行实验，结果表明，使用集成和选择最佳属性方法进行离散化数据的最佳预测模型显示出在理论课程中的注意力水平、Moodle 测验分数以及 Moodle 论坛中的活动水平是预测学生最终表现的最佳属性集。

Feb, 2024

提出了一种基于信息融合的新方法来定义依赖于结合不同信息源的辅助系统，以同时提供评估。本文的主要贡献是提供了一个利用证据理论来融合 n 个信息源的通用框架。融合能够提供更强大的预测和相应的不确定性，可用于评估预测的准确性。此外，我们提供了一种关于信息融合的方法，涉及两个主要来源：基于机器数据的集成分类器和以专家为中心的模型。我们通过使用工业设置的数据演示了信息融合方法，从而完成了该研究的应用部分。此外，我们还提出了一种使用证据理论方法来更新基于数据的模型的方法，以解决数据漂移问题。我们使用 Benchmark Tennessee Eastman 验证了该方法，并对模型更新参数进行了消融研究。

Aug, 2023

该调查综述论文讨论了多种真实性发现方法，它们的可靠性评估和正在应用的多个应用领域，并提出一些未来方向的探讨。

May, 2015

本研究提出了一个基于概率图模型的方法，可以自动推断真实记录和数据源质量，为解决数据集成中存在的真实性问题提供了一种新的方法。在两个真实世界的数据集上进行实验，我们的方法在真实性问题方面优于现有的最先进方法。

Mar, 2012

本文提出一种数据无关的知识融合方法，通过在参数空间内合并模型并引导最小化预测差异的权重，将建立在不同训练数据集上的个别模型合并为一个模型，以在所有数据集领域都表现良好并可以推广到域外数据。 在评估设置的一系列电池上，我们发现该方法明显优于 Fisher 加权平均或模型集成等基线，并且我们发现我们的方法是一种有前途的替代多任务学习的方法，可以在不访问训练数据的情况下保留或有时提高个别模型的性能。最后，模型合并比训练多任务模型更高效，因此适用于更广泛的情况。

Dec, 2022

研究了 Deep Web 中两个领域，即股票和航班的数据真实性，并应用最先进的数据融合方法分析了其强弱之处，提出了有前途的研究方向。

Mar, 2015