- 利用深度并行协作实现异构大型语言模型的集成学习
我们提出了一个训练免费的集成框架 DEEPEN,通过平均不同大型语言模型输出的概率分布来解决现有方法中的词汇差异问题,并在涉及主观考试、推理和知识问答的六个流行基准测试中获得了一致的改进效果。
- 澳大利亚国家电力市场中不稳定电价的概率预测方法
南澳大利亚地区的澳大利亚全国电力市场(NEM)显示了现代电力市场中观察到的最高水平的价格波动。本文概述了在这些极端条件下的概率预测方法,包括峰值过滤和几个后处理步骤。我们建议使用分位数回归作为概率预测的集成工具,我们的综合预测相对于所有组成 - 农业中多样数据集集成学习改进作物与杂草检测
现代农业依靠特定场地管理实践,需要准确检测、定位和量化农作物和杂草,可以通过深度学习技术实现。本研究提出了一种新颖的集成框架,利用不同的农作物和杂草模型以及可训练的元架构来结合它们的输出,从而在未知测试数据上显著提高了甘蓝作物和科冷草杂草的 - BERT4CTR: 将预训练语言模型与非文本特征结合的高效框架用于 CTR 预测
提出一种新的 BERT4CTR 框架,利用 Uni-Attention 机制在处理多模态输入和 CTR 预测中通过降维的方式从非文本和文本特征之间获得交互信息,并在训练和推断中保持低时间成本,实验证明其在公共和商业数据上显著优于现有框架。
- ACLLLM-Blender:用成对排名和生成融合集合大型语言模型
本文介绍了使用 LLM-Blender 集成多个开源大型语言模型(LLMs)的框架,并展示了其在混合指令数据集上相对于个体 LLMs 和基线方法的显著性能优势。
- 增强子种群模型性能的集成合成电子健康记录生成
该研究提出了一种基于生成模型的集成框架,用于训练适用于少数人群的预测模型,其包含用于每个子人群的基于 GAN 的合成数据生成器,并将生成的样本合并到每个子人群的训练数据集中,并在 MIMIC 数据库上的 2 个实际用例数据集上评估。结果表明 - AAAIEMEF:集成多曝光图像融合
本文提出了一种基于多个不完美的多曝光图像融合贡献者的集合框架(EMEF)以解决当前的 MEF 问题,通过在预训练阶段统一网络模仿不同的 MEF 目标,并在运行时通过优化风格代码来调整模仿者网络,进而在最新的 MEF 基准测试数据集上取得了最 - 自监督语音模型在音频表示方面的功效
本研究提出融合自监督学习语音模型嵌入的集成框架,旨在探究其在音频和非语音任务中的表示能力,实验证明该框架普遍优于当前最先进的自监督学习语音 / 音频模型,特别在面对细粒度音乐任务时也表现出强大的能力。
- 低复杂度 CNN 音场分类
本文提出了一种低复杂度卷积神经网络框架及相应模型压缩技术和结合多低复杂度卷积神经网络的集成框架,实验表明该框架在声场分类任务上能够获得较好的性能提升。
- KDD社交网络推荐预测的多方面分解模型群集
本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性,该方法将用户之间的社交关系、标签、档案等特征整合在一起,并采用隐性反馈,同时还利用用户行为模型来进行联合预测,并在 KDD-Cup 竞赛中获得了第二名的好成绩。
- AAAI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。