通过利用 dropout 技术来探索 Rashomon 集合中的模型，提出了一个用于衡量和减轻预测多样性的新框架，通过严格的理论推导和实验证明该技术在预测多样性度量估计方面始终优于基准方法，并通过 dropout 集成和模型选择实现了高效的 Rashomon 集合探索和度量估计。

Feb, 2024

本文介绍了一种用于缓解机器学习模型更新导致的预测准确性倒退的方法 ——Accumulated Model Combination。该方法将前面版本与当前版本的模型预测结果结合起来，有效地降低了错误率，并且不会增加额外的计算量与训练过程中的负担。同时，作者通过对比实验证明，这一方法在提高准确率的同时，也可以优化模型的鲁棒性，降低系统误差并提高用户的信任度。

May, 2023

通过 Rashomon 效应研究平衡方法对预测多样性的影响，发现平衡方法会增加预测多样性并产生不同结果。为了在建模过程中负责任地监控性能和预测多样性之间的权衡，我们提出使用扩展性能增益图进行模型选择。

Mar, 2024

本研究旨在解决机器学习中不同模型之间预测结果冲突的问题，定义了预测重复性作为预测问题接受有多个竞争模型的能力，并引入形式化的度量方式和整数规划工具来计算它们，应用于反复犯罪预测问题中，结果显示现实世界的数据集会接受互相冲突的模型，提出了需要在模型评估中报告预测重复性的建议。

Sep, 2019

研究神经网络模型中随机性导致的模型预测差异问题，提出最小熵正则化和协同蒸馏的两种方法用于减少模型预测差异并提高准确性。

Feb, 2021

本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

Sep, 2023

该论文介绍了一种新的过程，用于探索 Rashomon 集合模型，并延伸传统的建模方法。其核心是通过引入 Rashomon_DETECT 算法来识别 Rashomon 集合中的最不同模型，该算法比较揭示预测依赖于变量值的配置文件，以量化模型之间的变量效果差异，进而展示了该方法在预测医学数据中的有效性和多功能性。

Aug, 2023

介绍了一种名为 “数据集多样性” 的框架，用于研究训练数据集中的不准确性、不确定性和社会偏见如何影响测试时间的预测，以及该框架在机器学习实践和研究中的考虑。

Apr, 2023

本研究提出了一种高效的方法，可在有限的搜索中探索具有或不具有穷尽搜索的规则集模型的 Rashomon 集合。广泛的实验证明了所提方法在各种情况下的有效性。

Jun, 2024

本研究提出了一种多模态融合学习模型，用于识别金融服务提供商中客户流失风险水平，并通过引入迟误融合和混合融合技术取得了显著的流失预测改进，实现了 91.2％的测试准确率、66 的平均准确性和 54 的宏平均 F1 得分，同时还发现了负面情绪、低金融素养得分和高风险客户之间的正相关关系。

Dec, 2023