- 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。
- TERM 模型:张量环混合模型密度估计
通过采用张量环分解减少排列候选数量、增强表达能力,结合自适应权重的混合模型,将其与集成学习相结合的新方法在概率密度估计和采样中显示出优越性。
- 使用深度卷积神经网络集合进行胸部 X 射线图像上的肺炎检测
通过集成学习技术,本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法,通过联合提取来自三种模型的特征,提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。
- RankMatch: 一种基于标签相关性的半监督标签分布学习的新方法
通过引入 RankMatch 方法,本文提出了一种创新的半监督标签分布学习 (SSLDL) 方法,可以在深度神经网络 (DNN) 应用中有效利用少量有标签的样本和大量无标签的数据,减少手动标记的需求。RankMatch 方法通过集成学习策略 - 多源域适应回归
多源领域自适应算法通过回归问题的两步骤流程,提供了在多个源领域利用信息进行预测的方法,其中使用了灵活的单源自适应算法和集成学习,通过多种学习范式在目标适应学习器中实现线性组合,改进了预测性能。
- UTBoost: 基于树提升的提升建模系统
通过创新 GBDT 算法的两种方法,即序贯学习和克服反事实性,用于 uplift modeling,该研究提出了一种能够优化资源分配、最大化整体回报的客户激励估计模型,并且在大规模数据集上的实验证明了该方法的有效性。为了方便应用,还开发了针 - ResEnsemble-DDPM:残差去噪扩散概率模型的集成学习
将去噪扩散概率模型与现有的端到端模型相融合,通过集成学习引入残差项,提出 ResEnsemble-DDPM 模型,进一步提升图像分割模型的性能,并且该集成学习策略可推广到图像生成的其他任务,具有强大的竞争力。
- 轻量级学习器集成的降水预测
通过使用多个学习者的集成学习框架,结合卫星图像,该研究论文提出了一种准确建模复杂降水模式的降水预测方法,并在 Weather4Cast 2023 竞赛中排名第一。
- 一种基于集成卷积神经网络的可重复使用的铁路 AI 缺陷检测系统
准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题,我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型(VGG-19、MobileN - 推广超分辨率 4D 流动 MRI - 使用集成学习扩展心血管系统
通过使用异构训练集和专用集成学习,我们研究了 SR 4D Flow MRI 的泛化能力,结果表明,集成学习方法增强了跨领域的超分辨率性能,从而能够准确地预测高分辨率速度并从临床输入数据中生成去噪 SR 图像。
- 集合准确性的实用估计
本文提出一种实用的方法来估计多个分类器的联合能力,与现有方法不同的是它不依赖于标签,从而使得在大型无监督数据集中进行工作成为可能。该方法通过组合误差的组合边界实现,能够高效地搜索可能产生更高联合准确性的分类器组合。此外,该方法适用于无标签数 - 多模型深度学习推理流水线的自动异构低比特量化
该论文介绍了一种自动异构量化方法,用于具有多个深度神经网络的深度学习推理流水线。
- HPO 对 AutoML 预测集成的影响
探索在深度学习模型中添加不同超参数优化策略的效果,发现该方法与组合学习可以优于商业 AutoML 预测解决方案,并提供更高的准确性和更低的集成延迟。
- 应用分布鲁棒优化获得可解释的分类模型
通过利用分布鲁棒优化,我们提出了一个新的公式来学习一组规则集的集合,以在保持计算成本低的同时确保良好的泛化性能,并通过构建一个稀疏的规则集合来解决规则集的稀疏性和预测准确性之间的固有权衡。
- 利用聚合的大型语言模型集合保留长期临床文本的知识
利用聚合集成的大型语言模型的新方法,能够保留长篇临床文本的知识,改善大型语言模型在处理长篇输入和多样化数据集时的性能,并在预测临床结果方面取得了比基线、集成和聚合方法更好的结果。
- 众所周知:众包和集成学习分类中的标签聚合
Crowd-Certain 是一种在众包和集成学习分类任务中进行标签聚合的新方法,通过评估标注者的一致性和受训分类器,确定每个标注者的可靠性分数,并利用预测概率实现对未来样本数据的训练分类器的复用,大幅提升性能和计算效率。在对十个不同数据集 - 图神经网络的集成学习
本研究探讨了集成学习技术在改善图神经网络(GNNs)性能和鲁棒性方面的应用。我们通过使用多种不同的初始化或结构来训练多个 GNN 模型,创建了一个名为 ELGNN 的集成模型,该模型捕捉了数据的各个方面,并使用树状结构 Parzen 估计算 - 辨别和检验成人数据集上的机器学习偏差
通过集成学习减少机器学习模型的偏见,研究提供了包括性别属性偏见和工资预测差异在内的实证证据,并呼吁采用混合模型以实现公平和包容的数据驱动社会。
- EMNLP关系感知的集成学习用于知识图谱嵌入
通过关系感知的集成学习算法,提取知识图谱嵌入的语义模式,以达到更好的性能和效果。