Sep, 2023

改进动态集成选择方法的后选算法

PDF
TL;DR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。
dynamic ensemble selectionmultiple classifier systemsmcspost-selection dynamic ensemble selectionps-des
发现论文，激发创造
  • 基于多样性的数据无关集成选择的一次性联邦学习在机器学习模型市场中的应用

    本文提出了一种名为 DeDES 的新型数据无关多样性算法，以解决机器学习模型市场中想要在无需数据的情况下使用集成学习来改善模型性能时，模型选择问题的存在。实验结果表明，该算法在不同数据集和模型结构下，可以同时实现更好的性能和更高的效率。

    Feb, 2023

  • Q (D) O-ES: 基于人口的自动机器学习中后验高斯集成选择的质量 (多样性) 优化

    本文介绍了两种基于种群的集成选择方法 QO-ES 和 QDO-ES，与现有的贪心集成选择方法 GES 进行比较，结果表明 QO-ES 和 QDO-ES 可以有效提高预测性能，但多样性也会增加过拟合的风险。

    Jul, 2023

  • META-DES：一种使用元学习的动态集成选择框架

    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。

    Sep, 2018

  • 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

  • 使用动态集成选择的不均衡数据流分类

    提出了一种用于流数据分类的新框架，通过对非平稳漂移不平衡数据流进行数据预处理和动态集成选择技术的分类框架，以解决现代流数据分类面临的概念漂移和类不平衡数据的问题。实验结果表明，数据预处理结合动态集成选择技术在处理不平衡数据流时具有更高的准确性。

    Sep, 2023

  • DynED：数据流分类中的动态集成多样化

    提出了一种基于最大边际相关性（Maximal Marginal Relevance）的全新集成构建和维护方法（DynED），该方法在构建集成的过程中动态地将组件的多样性和预测准确性进行结合，实验结果表明，与五种最新方法相比，该方法在四个真实和 11 个合成数据集上提供了更高的平均准确度。

    Aug, 2023

  • DCSO: 异常集合中探测器得分的动态组合

    本文提出了一种基于 DCSO 框架的非监督异常检测方法，该方法能够选择出最具竞争力的基础检测器，强调数据局部性，并在十个基准数据集上进行了实验，结果表明该方法在挖掘异常对象方面具有一致的性能提升。

    Nov, 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

  • 嵌入特征选择的离群点检测集成

    提出了一种嵌入特征选择的异常检测集成框架 (ODEFS)，通过成对排名使特征选择和异常检测融合，使用阈值自适应学习同时优化特征选择和样例选择，设计了一个交替算法解决优化问题，分析了该框架的泛化误差界限，实验结果表明 ODEFS 的优越性。

    Jan, 2020

  • 设计新的集成学习算法的系统方法

    本研究通过重新审视集成学习中的误差分解方法，将其应用于神经网络作为基础学习器的集成学习算法的开发，利用最新的理论框架和方法，设计了 21 种新的集成算法，并证明了其中大部分方法在多样化数据集上具有优越的预测性能。

    Feb, 2024