- 卫星降水的空间插值中的不确定性估计与集成学习
在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。
- iBRF: 改进的平衡随机森林分类器
在这项研究中，我们提出了一种改进的平衡随机森林分类器 (iBRF)，通过混合采样技术来平衡不均匀的类别分布，在解决不平衡分类任务时取得了比其他采样技术更好的预测性能。
- 一种新的基于直觉模糊决策树的随机森林集成
本文提出了一种基于直觉模糊随机森林（IFRF）的新型随机森林集成方法，结合了模糊逻辑和模糊集合的灵活性、随机抽样和特征选择的随机性以及多个分类器系统的鲁棒性，对复杂条件下的分类问题具有竞争力和优越性能。该方法通过使用直觉模糊信息增益选择特征 - 用于标识潜在有害软件的最终用户许可协议的文本分析
使用文本摘要和集成学习方法，我们提出了一种能够对终端用户许可协议（EULA）进行摘要和分类的解决方案，其中我们提取了不同软件的 EULA 文本，然后使用八种有监督的分类器对文本进行分类。该方法的准确率为 95.8% 表明了其有效性。
- 连续零均值争议正则化仿真学习 (CMZ-DRIL)
用连续的、均值为零的奖励函数通过模拟专家展示学习的方法，在有限的专家演示情况下提高模仿学习代理的性能。
- BagStacking: 帕金森病步态冻结的综合集成学习方法
本文介绍了 BagStacking 的新型集成学习方法，利用下背部传感器追踪加速度，增强帕金森病（PD）中步态冻结（FOG）的检测，通过 bagging 和 stacking 的原理，旨在利用 bagging 的引导采样降低方差，同时通过 - 在大规模无线网络中利用数字双胞胎进行合奏式 Q 学习
通过新颖的合奏 Q-learning 算法，针对优化无线网络的性能和复杂性挑战，通过合成马尔可夫决策过程的集成学习，提出了适应大状态空间可观测无线网络的新模型，通过在多个合成马尔可夫环境上并行运行多个 Q-learning 算法并将其输出融 - 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。
- 量子神经网络与集成学习抑制平台效应和代价函数集中
通过采用集成学习的方法，本研究提出了一种创新的量子神经网络构建方法，解决了梯度消失和代价函数集中的问题，在分类问题的背景下，与传统构建的量子神经网络进行了对比分析，展示了我们创新方法的潜在优势。
- 利用神经网络集合模型的非定常流体流动简化建模
本文提出了一种完全数据驱动的 ROM 框架，该框架使用 CAEs 对全序模型进行空间重建，并使用 LSTM 集成进行时间序列预测，在两个非稳态流体动力学问题上的应用结果表明，所提出的框架能够有效减小误差传播，使得在未知点上对潜在变量的时间序 - ICLR训练无关 CLIP 基于适应的难以超越的基准线
对比语言 - 图像预训练（CLIP）已经因其非凡的零 - shot 能力而受到广泛关注。本研究聚焦于开发高效的微调方法来提升 CLIP 在下游任务中的性能，其中包括提示学习和适配器。然而，这些方法仍然需要额外的训练时间和计算资源，对于资源有 - 通过集成学习和正则化微调解决偏差问题
通过多种方法解决 AI 模型中的偏见问题，使用较小的数据集和可能存在偏见的预训练模型，通过数据分割、局部训练和正则化微调训练多个模型，然后使用集成学习获得不带偏见的预测结果，最后通过知识蒸馏形成单一不带偏见的神经网络模型，实验证明了我们方法 - 通过可扩展的监督和集成学习提高从弱到强的泛化能力
本文是对 OpenAI 最近关于弱到强泛化（W2SG）的超对齐工作的跟进研究，并提出使用集成学习和弱到强监督实现过强人工智能模型开发和超智能进化的方法。通过人类监督和自动对齐评估器来增强弱监督的能力，实现了弱到强监督的目标，并讨论了改进弱监 - 提高货运模式选择模型的准确性：基于 2017 年 CFS PUF 数据集和集成学习技术的研究案例
使用 2017 年商品流动调查的公共数据集，构建了一个高性能货物运输方式选择模型，提出了三个主要改进：针对每个独立的商品 / 行业类别构建本地模型，提取有用的地理特征，尤其是起始 / 目的地区域之间每种货运方式的派生距离，并应用附加的集成学 - 低成本集合修剪的液态民主
我们认为集成学习和一种委托性投票范例 —— 液态民主之间存在着密切的联系，可以用于降低集成训练成本。我们提出了一种增量训练过程，通过受液态民主启发的委托机制，识别和去除集成中的冗余分类器。通过分析和大量实验，我们展示了这个过程大大降低了训练 - 通过图像级集成学习探索颜色不变性
本研究提出了一种名为随机颜色擦除的学习策略，通过选择性地擦除训练数据中的部分或完整的颜色信息，实现了对神经网络内的颜色特征和其他特征进行平衡加权，从而提高模型处理颜色变化的能力，增强其整体鲁棒性。该策略在诸如人员再识别和语义分割等任务中不断 - 语音的 PEFT: 揭示最佳部署、合并策略和集成技术
通过在不同层次中插入不同的 Parameter-Efficient Fine-Tuning 方法并采用 Differentiable Architecture Search (DARTS) 进行比较，我们研究了 PEFT 方法的最佳途径和放 - 图像点描述符的残差学习
本文提出了一种通过使用手工制作的检测器和描述符来学习本地图像描述符的非常简单且有效的方法，通过对手工制作的描述符已有的知识进行优化，只学习主网络分支的剩余知识，从而在收敛速度上提供了 50 倍的优势，并在推理过程中提供了优于学习和手工制作描 - PlaNet-S：胎盘的自动语义分割
开发了一个全自动的语义胎盘分割模型，通过集成学习将 U-Net 和 SegNeXt 架构融合在一起。该模型在胎盘分割任务中比传统的 U-Net 表现更好，解决了耗时的人工分割问题，具有广泛的胎盘成像分析应用潜力。
- 持续对抗性防御
提出首个连续性对抗防御（CAD）框架，适应动态场景中的任何攻击，并通过实验证明其对多个现代对抗攻击的有效性和对 10 个基线方法的显著改进。