该文提出了一种基于主题模型的 skip-gram 方法来学习多原型词嵌入，同时介绍了一种修剪嵌入的方法，用于代表每个主题中每个单词的概率表示， 并将我们的嵌入用于展示它们可以强烈地捕获上下文和词汇相似性，并优于各种最先进的实现。

Sep, 2019

提出一种扩展 Skip-gram 模型的方法，它可以高效地学习每个单词类型的多个嵌入，通过联合进行词义辨别和嵌入学习，非参数地估计每个单词类型的很多不同的词义，并通过在一个拥有近 10 亿标记的语料库上训练一台机器的演示，展示了它的可扩展性。

Apr, 2015

通过将一个 ensemble 中的知识压缩成单个模型的方法，我们可以显著提高基于 MNIST 数据集的模型性能并将这种方法应用于商业系统的声学模型，同时我们还提出了一种由专家模型和完整模型组成的新型 ensemble。

Mar, 2015

本文通过介绍新的多样性度量方法介绍了一种新的模型集成方法，该方法特别适用于数据限制和协变量转移，可显著提高模型的多样性和泛化性能。

Nov, 2019

使用深度学习模型和集成模型对社交媒体上的越南文本进行分类，实现了比之前研究更好的性能。

Sep, 2020

本文提出了一种新颖、可推广和快速的方法，定义了一组嵌入函数集合，并通过随机挑选小的标签子集来学习每个嵌入函数。实验证明，这些嵌入集合可创建有效的嵌入函数，这些函数用于图像检索，并在 CUB-200-2011、Cars-196、In-Shop Clothes 检索以及 VehicleID 上提高了最先进的性能。

Aug, 2018

本文介绍了一种新的集成方法，用于工业实体的重新识别，使用了芯板托盘和镀锌金属板的图像作为数据集示例，并使用简化的、基本的模型代替常用的复杂孪生神经网络，提供更广泛的适用性，尤其适用于硬件限制的场景。我们的算法在训练时间的一小部分内使用了不同类型的数据特征作为输入，实现了创建有效集成模型的目标，并且在任务中达到了最先进的性能，排名 1 准确率超过 77%，排名 10 准确率超过 99%，并且介绍了五种不同的特征提取方法，并通过不同的集成方法对其组合进行了研究。

Mar, 2024

本文旨在改进 GEC 序列标记体系结构，特别是在大型配置中采用最新的基于 Transformer 的编码器进行集成。通过跨度级别编辑的多数投票方法来鼓励集成模型，我们的最佳集合在 BEA-2019（测试）上获得了 76.05 的 $F_{0.5}$ 分数，即使没有在合成数据集上进行预训练也是如此。此外，我们采用知识蒸馏技术，通过训练集合来生成新的合成数据集，并在公开的合成 PIE 数据集上完成预训练，最终获得 73.21 的 $F_{0.5}$ 分数，其代码、数据集和训练好的模型都可供公开获取。

Mar, 2022

本文提出了一种介于使用相似性和原型实例之间的、将它们各自的特点结合起来的方法，并使用随机子空间集合来设计分类器以实现在多实例学习问题上的最先进性能。

Feb, 2014

本文探讨了从预训练模型中创建集成模型的不同方法，并提出了一种有效的算法来识别下游数据集的预训练模型子集。在 19 项下游任务中（视觉任务适应基准），即使从超过 2000 个预训练模型中进行选择，其实现了具有较低推理预算的最先进性能，并且在 ImageNet 变体上对分布转移具有更好的鲁棒性。

Oct, 2020