本研究通过谱方法，针对二元情况下的多个分类器预测结果，提出了一种无监督方法来估计分类器的准确性，同时构建了更准确的无监督集成分类器，并通过人工和真实数据集的实验表明了该算法的竞争性能。
Jul, 2014
本文研究了社交机器学习框架中的错误概率，包括独立训练阶段和在图上进行合作决策阶段。针对两种有限观测的分类任务，我们描述了分布式学习规则并相应地分析了错误概率。针对统计分类问题，我们采用几何社交学习规则进行性能分析。针对单样本分类任务，我们建立了一个分布式学习规则作为集成分类器，并构建了该集成分类器的错误概率上界。
Jun, 2023
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
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
该论文介绍了将流行病学和医学领域中传统应用的 Hui-Walter 模式应用于机器学习领域，以估计关键性能指标和处理动态和不确定的数据环境。
Jan, 2024
本文介绍了一种基于谱方法的元学习器，可以在只有多个分类器的推荐或预测的情况下，可靠地排名它们，并构建一个比大多数组合中的分类器更准确的元分类器。该方法假设分类器之间具有条件独立性，并通过计算其协方差矩阵和特征向量进行排名，并进一步引入谱元学习器作为组合加权分类器。该方法在模拟和真实数据上达到了比大多数分类器更高的准确性。
Mar, 2013
通过人机协作框架和随机采样算法，以设计平衡探索和利用的措施为手段，从未标记数据中高效地识别误分类模式，并运用行列式点过程构造生成器，展现了竞争性能的实验结果。
通过考虑相关性，本文提出了不同的聚合规则，并将它们与朴素规则进行了比较。通过基于合成数据的各种实验证明，当关于误差之间的相关性已知足够信息时，最大似然聚合应该优先考虑。否则，通常情况下，建议使用一种称为嵌入式投票（EV）的方法。
Sep, 2023
本研究探讨了顺序非参数两样本和独立性检验的问题，提出了一种基于预测的赌博策略，用于解决高维结构化数据上核函数的选择问题。我们在实验中证明了这种方法优于基于核的方法，即使在数据分布随时间漂移的情况下，也仍然有效强大。
Apr, 2023
该研究开发了一种针对二进制分类的分类器集成的最坏情况分析方法，通过一种叫做极小极大解的方法可以找出在一个已知的未标记数据集上，一个加权组合的分类器可以比任何单个分类器的表现要好得多。
Mar, 2015