将机器学习、约束优化、端到端学习、不确定性和对抗训练作为关键词，该论文提出了一种统一框架来解决不确定性模型，并通过端到端对抗训练进行了实践求解，最后通过实际的电力系统运行问题的评估，包括负荷预测和顺序调度任务。

Dec, 2023

本文提出一种基于梯度元学习的嵌入式集成元学习算法 (EEML)，该算法显式地利用多模型集成将先前任务的先验知识组织成不同的特定专家，并依赖于任务嵌入聚类机制，在训练过程中将不同的任务交给匹配的专家并指导专家在测试阶段如何协作。实验证明，该方法在少样本学习问题上显著优于最近的最新技术。

Jun, 2022

本文介绍了一个基于身体型机器学习的代理系统，通过与人群工作者互动，改进自身。我们通过多次自动化的人 - 代理交互，学分分配，数据注释，重训练和重新部署模型来证明代理改进。

Apr, 2022

本文针对网络集成进行了端到端 (E2E) 的训练研究，揭示了 E2E 训练中出现的明显失败案例，发现过参数化模型的 E2E 训练将无法完成，还发现最佳性能有时可以在集成和 E2E 系统之间取得。同时，本文还揭示了与 Dropout 的联系，引发了关于集成多样性和多分支网络性质的问题。

Feb, 2019

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

本研究介绍了一种基于联合张量和矩阵分解的动态匹配方法，旨在实现从多个分类器集合中无损学习。该方案效果得到了在真实和合成数据集上的评测。

Dec, 2017

连续学习旨在使机器学习模型能够在数据分布不断变化的情况下不忘记已学知识。通过训练集合中的每个成员于不同相关子集，使整个集合相比于单纯模型能够获得更高准确率且遗忘更少的问题。我们解决了在给定数据上选择哪些模型应该学习，哪些模型应该进行预测的问题。通过借鉴委托投票的工作，我们开发了一种用于动态选择集合中活动模型的委托算法。我们探讨了各种委托方法和性能指标，最终发现在面对分布变化时，委托能够显著提高性能，优于单纯学习。

May, 2024

本文从最近使用机器学习来解决约束优化问题的尝试入手，重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法，以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。

Mar, 2021

本文介绍了一种基于进化集成学习方法的新型适应度函数及分类器集成选择标准，实验表明离线模式优于单一假设的进化学习和现有的增强学习算法，并生成更小的分类器集成。

Apr, 2007

本文综述了最新的深度集成学习模型的分类和应用，并指出了未来研究的方向。

Apr, 2021