本文介绍一种新的方法，即同时为每个变量的可能排序训练 NADE 模型，共享跨所有模型的参数。这种方法既可以为不同推理任务使用最方便的模型，又可以马上使用具有不同排序的模型集成。此外，我们的训练方法可以扩展到深度模型，实验证明深度 NADE 模型的集合可以获得最先进的密度估计性能。

Oct, 2013

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

提出了一种基于异常检测算法引导重采样策略并将其组合成子集的集成学习框架 $ASE$，在各种不平衡度、数据规模和数据维度下，实验表明该模型可以显著提高基分类器的性能且比其他现有方法更高效。

Mar, 2022

基于 RNADE（Real-valued Vector Joint Density Estimation）的混合密度网络模型，可实现对真实数向量数据的密度估计并进行直接比较处理，其性能对于异构和感知数据均优于混合模型，且具有易于计算和基于梯度的优化器可用的优点。

Jun, 2013

该论文提出了一种新的无监督深度学习模型 NADE-k，该模型结合了 NADE 和多预测训练的优点，可用于密度估计。其测试似然可以进行解析计算，而且易于生成独立样本，并使用 Boltzmann 机器的变分推断。在两个测试数据集上，NADE-k 的表现与现有最先进技术相当。

Jun, 2014

本文提出了 GRANDE，一种基于梯度的决策树集成模型，通过端到端梯度下降学习硬性、轴对齐的决策树集成模型。GRANDE 基于树集成的稠密表示，利用直线传播运算符对所有模型参数进行联合优化。通过结合轴对齐分割和基于梯度的优化，我们的方法既具备了适合表格数据的归纳偏好，又具备了优化的灵活性。此外，我们还引入了一种高级的逐实例加权方法，有助于在单个模型中学习简单和复杂的关系。我们在一个预定义的基准测试集上进行了广泛的评估，并且证明我们的方法在大多数数据集上胜过现有的梯度提升和深度学习框架。

Sep, 2023

本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题，提出了一种机器学习分类器的数据驱动设计和性能评估方法，其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题，提出了两种新的算法来解决类重叠问题，并提高了测试数据的分类性能。实验证明，相比已有技术，该方法在二元和多种情况下均有显著优势。

May, 2022

本文提出了一种半监督集成学习方法，利用未标记的数据增加基学习器之间的差异性和数据多样性，从而在 labeled data 上提高基学习器的准确性，在 unlabeled data 上最大化学习器之间的差异性。实验证明这种方法有效利用 unlabeled data 进行集成学习并且具有很高的竞争力。

Sep, 2009

本研究提出了一种新的采样过程（退火 GSN 采样），用于从已训练的 Orderless NADE 模型中采样，以便在节省时间的同时保持样品质量，同时该过程建立了 NADE 模型的马尔可夫链并证明了该模型与 GSNS 的训练标准之间的联系

Sep, 2014

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