Sep, 2018

META-DES：一种使用元学习的动态集成选择框架

PDF
TL;DR本文提出了一个新颖的基于元学习的动态集成选择框架，用于提高过低训练数据量问题下的分类精度，通过五个不同类型的元特征来衡量分类器为输入样本分类的能力，并用这些元特征来训练元分类器，从而选择最有能力的分类器进行集成。
dynamic ensemble selectionmeta-learningcompetenceclassifierclassification
发现论文，激发创造
  • 元选择器：用户级自适应模型选择的元学习推荐

    提出了一种元学习框架来实现基于用户的自适应模型选择， 在公开、生产数据集等数据集上进行了实验证明， 该方法在 AUC 和 LogLoss 等指标上优于单一模型基线和基于样本的模型选择器， 可以在在线推荐系统中带来巨大的利润收益。

    Jan, 2020

  • 多样性与合作：针对少样本分类的集成方法

    本文提出在 few-shot classification 问题中采用深度神经网络集成来解决分类器高方差的问题，通过引入新策略鼓励网络相互合作来提高分类性能，实验结果表明该方法在 mini-ImageNet 和 CUB 数据集上显著优于当前的 meta-learning 技术。

    Mar, 2019

  • Meta-Dataset: 从少量示例中学习的数据集

    提出了一个名为 Meta-Dataset 的大规模基准数据集，用于训练和评估模型在少样本分类问题上的性能，并探讨模型对不同训练来源的泛化能力和元学习的好处。

    Mar, 2019

  • 基于层级专家网络的元学习

    该论文提出了一种信息论的元学习模型，通过优化划分学习任务，使得专业的决策者解决子问题，从而达到高效的适应新任务的效果，在图像分类、回归和强化学习三个元学习领域进行验证。

    Oct, 2019

  • Dataset2Vec：学习数据集元特征

    本文提出了一种基于深层神经网络的元特征提取器 Dataset2Vec 和基于 DeepSet 结构的元学习方法，在大规模数据集优化任务中将元学习应用于不同模式的数据集，实现了性能优于专家工程方法的元特征学习以及元学习辅助任务。

    May, 2019

  • 进化集成模糊分类器

    本文提出了一种新的演化集成分类器，称为 Parsimonious Ensemble pENsemble，该方法由一种被称为 Parsimonious Classifier pClass 的演化分类器构建，具有动态的特征选择和集成结构，并具有检测漂移的新颖方案，在处理动态和演化数据流方面表现最有希望，可以在精度和复杂度之间实现平衡。

    May, 2017

  • 改进动态集成选择方法的后选算法

    动态集成选择（DES）是一种多分类器系统（MCS）的方法，在选择阶段为每个查询样本选择一个集成。实验结果表明，使用准确度作为选择集成的度量指标，PS-DES 优于单独的 DES 技术。

    Sep, 2023

  • 卷积神经网络分类中的自动学习算法选择

    本文介绍一种基于元学习的分类器自动选择算法，通过使用卷积神经网络直接学习表格数据的内在结构，来提高二元分类的性能，并在模拟和真实数据集上实验证明，这种方法优于基于元特征的传统两步方法。

    May, 2023

  • 基于依赖分类器的无监督集成学习

    本文主要探讨如何在无监督学习中，检测强违反条件独立性的分类器依赖关系，提高分类器准确性估计以及构造更合适的元学习器的方法，旨在提高集成学习算法的性能表现。

    Oct, 2015

  • 使用模糊超盒的动态集成选择

    本研究提出一种基于模糊超立方体的动态集成选择方法，并将被错误分类的样本用于分类器的能力估计，实验结果表明该方法分类准确性高且计算复杂度低。

    May, 2022