本研究提出了一种基于支持向量机和径向基神经网络的混合模型，该模型利用大量产业和学生项目的观测数据，通过将 UCP 的环境因素用于分类和估算生产率，显著优于以往的 UCP 预测模型，并证明了 UCP 可以作为早期软件开发估算成功的关键成本因素。

Oct, 2016

本文介绍了两种基于人工智能的方法，即单个人工智能模型和集成人工智能模型的效果比较和分析，用于预测 Java 类存在错误的概率。实验结果表明，集成人工智能模型的性能优于单个人工智能模型，同时揭示了提升集成人工智能模型性能的因素，这为提高错误预测结果的可靠性提供了潜力。

Oct, 2023

本文提出一种实用的方法来估计多个分类器的联合能力，与现有方法不同的是它不依赖于标签，从而使得在大型无监督数据集中进行工作成为可能。该方法通过组合误差的组合边界实现，能够高效地搜索可能产生更高联合准确性的分类器组合。此外，该方法适用于无标签数据，使其在现代的无监督学习场景中既准确又实用。通过在流行的大规模人脸识别数据集上进行实验证明了该方法的有效性，这些数据集为使用嘈杂数据进行细粒度分类任务提供了一个有用的测试平台。该方法与无监督学习的趋势性实践相吻合，通过衡量一组分类器的内在独立性，而不依赖于其他分类器或标记数据。

Nov, 2023

本研究调查了集成学习在类比式努力估计中的应用潜力，比较了使用的类比数 k，研究发现，将集成方法应用于调节方法可以显著提高预测性能，而线性调节方法的表现更佳，推荐使用线性调节方法进行集成。

Mar, 2017

本文研究了将 Deep Ensembles 方法扩展到与不确定性评估相关的任务，提出了一种在接近二元决策边界的窗口内传递样本以实现早期退出的新方法，并发现级联 / 集成模型在 OOD 数据上比模型扩展更可靠。

Mar, 2023

本研究回顾了针对大规模电子商务目录的产品项分类问题。我们提出了一种基于深度学习的分类模型框架，利用多个分类器的组合和融合来改善分类性能，并使用元数据特征和低级特征工程来提升模型质量。此外，我们还提出了一种使用用户会话评估模型性能的新方法，相较于传统的精确度和召回率等评估指标，提供更详尽的洞察力。

Jul, 2023

本文在我们的基于集成的组件模型 DEECo 中扩展了使用机器学习和优化启发式算法来建立和重新配置自主组件集合的能力。我们展示了如何在模型层次上捕捉这些概念，并举例说明这样的模型如何有益地应用于工业 4.0 环境中与访问控制相关的问题。我们认为将机器学习和优化启发式算法纳入现代智能系统是一个关键特性，使其能够在学习过程中适应环境的不确定性并优化其行为。

Sep, 2023

本文探索基于置信度的集成模型方法，证明 5 种单语音模型组合胜于使用专用语言识别块的模型选择，同时结合基础模型和适应模型，可在数据原始状态和目标状态下获得强大结果。

Jun, 2023

本研究在过去的五年中对 AI 技术在软件工作量估计方面进行了广泛的研究。通过克服传统方法的局限性，该研究旨在提高准确性和可靠性，并通过性能评估和与包括人工神经网络（ANN）、支持向量机（SVM）、线性回归、随机森林在内的多种机器学习模型进行比较，找到最有效的方法。所提出的基于 AI 的框架具有增强项目规划和资源分配的潜力，有助于软件项目工作量估计研究领域。

Feb, 2024

该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

Apr, 2023