本文提出了一种基于梯度提升和自动超参数调整的自动机器学习框架 (autoxgboost)，与目前的 AutoML 项目进行了比较，并在 16 个数据集上取得了可比较的结果和两个最佳表现。

Jul, 2018

通过培训算法来提高对于机器学习领域的可靠性，从而应对领域的变化，提高算法的性能，预测其表现并轻量级适应应用领域。

Mar, 2023

本文探讨和评估了使用多种机器学习算法对于相同分布和非同分布数据的表现，同时提出了一种混合机器学习模型，结合小波分解以提高泛化性能，实验结果显示，相比于独立模型，我们的混合模型在处理非同分布数据时表现更优。

May, 2022

基于机器学习的性能模型在构建关键的作业调度和应用程序优化决策中越来越被使用。我们开发了持续学习性能模型，考虑到数据分布漂移，减轻灾难性遗忘，并提高泛化能力。我们的最佳模型能够保持准确性，无论系统变化引起的新数据分布，同时相比于朴素方法，在整个数据序列的预测准确度上提升了 2 倍。

Oct, 2023

通过使用多个模型，我们提出了一种用于管理与机器学习模型相关的运行时不确定性的机器学习模型平衡器的概念，并引入了 AdaMLS，一种新颖的自适应方法，它利用这个概念并扩展了传统的 MAPE-K 循环以实现连续的机器学习系统自适应。AdaMLS 通过使用轻量级无监督学习进行动态模型切换，从而确保了一致的服务质量。通过一个自适应目标检测系统原型，我们展示了 AdaMLS 在平衡系统和模型性能方面的有效性。初步结果表明，AdaMLS 在服务质量保证方面超过了天真方法和单一最先进的模型，标志着在动态环境中实现自适应机器学习系统的优化服务质量的进展。

Aug, 2023

本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

Apr, 2022

比较了深度学习模型和 XGBoost 模型在表格数据上的性能和调整，结果表明 XGBoost 模型在所涉及的数据集上表现更好并需要更少的调整。

Jun, 2021

通过减少模型数量或改进集成推断时的模型使用效率，本研究提出并评估了两种模型选择策略 —— 静态和动态，以在最小化能量使用的同时优化集成学习系统性能，平衡模型的准确性与能源消耗之间的挑战，结果显示静态策略将 F1 得分从基准线提高，并将平均能量使用从 100％降低到 62％，动态策略更进一步提升了 F1 得分，并使用平均 76％的能量，与完整集合相比为 100％，同时提出了一种资源消耗与准确性平衡的方法，大幅减少能量使用而不太影响准确性，静态策略的平均能量使用率从约 62％降低到 14％，动态策略从约 76％降低到 57％，实地研究结果表明在实际生产环境中采用注重能源的模型选择策略在 Green AI 方面具有实际应用性。

May, 2024

Adaptive Boosting with Dynamic Weight Adjustment improves efficiency and accuracy in ensemble learning by dynamically updating instance weights based on prediction error, resulting in a more flexible and effective approach for boosting in challenging classification tasks.

Jun, 2024

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