- 解释性集成的聚合 f - 平均神经网络
使用集成学习方法和聚合方法相结合的浅层神经网络在少样本类别增量学习问题上表现出良好性能。
- 深度模型融合:一项综述
深度模型融合是将多个深度学习模型的参数或预测合并为一个模型的新兴技术,以提高性能。研究对大规模深度学习模型的融合存在高计算成本、高维参数空间和不同异构模型之间的干扰等挑战。鉴于对该技术缺乏完整详细的调查研究,我们呈现了一份综合调查报告以总结 - 基于灰度共生矩阵和直方图提取的集成学习目标分类模型
基于物体分类的识别方法研究中,对象的变化是一个挑战。本研究提出了一种分类方法,使用投票和组合分类器,结合随机森林、K-NN、决策树、SVM 和朴素贝叶斯分类方法。测试结果表明,投票方法和组合分类器的准确率分别为 92.4% 和 99.3%。 - ILNet: 突出红外小目标检测中的低级问题
通过提出红外小目标检测的新方法 —— 红外低级网络(ILNet),结合交互极化正交特征融合模块(IPOF)和动态一维聚合层(DODA),利用集成学习思想设计代表性模块(RB),提高数据量的情况下,ILNet 在挑战性数据集上表现出了更好的性 - 基于迁移学习和深度集成学习的手势识别的两阶段方法
利用预训练的高性能深度神经网络模型在 HG14 数据集上进行手势识别,通过多个模型的集成学习技术,达到了 98.88% 的准确率,展示了深度集成学习技术在人机交互中的有效性及其在增强现实、虚拟现实和游戏技术等领域的潜在应用。
- 多类别分类中多数投票准确性的新界限
绝对多数投票函数(Majority Voting Function)在多类别分类问题中的精度存在上界,并且在某些条件下随着独立投票者的数量增加,错误率指数级地趋近于零,否则错误率也指数级地增加,同时提到了整合算法的精度和真实发现算法的问题。
- 一种使用源原型的健壮负学习方法应用于部分领域适应
本文提出了一个鲁棒的部分领域自适应(PDA)框架,通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈,减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同,我们的方法通过源样本原型和高 - 应用 Adamic-Adar 指数算法预测志愿者协作:简单即是更好
Social networks' graph-like structure and machine learning algorithms' performance in graph link prediction were investi - 机器学习模型不确定性与可解释性分析:声波慢度测井重建
针对水平或旧井中经常缺失关键测井数据的问题,本文利用 SPWLA 2020 机器学习竞赛数据,使用 NGBoost 算法构建了一个集成学习模型,可以预测压缩波和剪切波测井数据,并提供结果的不确定性。通过对比其他常用的集成学习方法,研究结果表 - 不变训练 2D-3D 联合硬样本用于少样本点云识别
我们通过使用传统的 3D 模型和经过良好训练的 2D 模型的联合预测来解决 3D 物体的少样本点云识别中的数据稀缺挑战。令人惊讶的是,尽管这种集成似乎没什么特别的,但近期的 2D-3D 模型中很少被证明有效。我们发现关键在于对 '' 联合难 - 可解释的集成学习在材料性质预测中的应用:以碳为例
我们提出了一种基于集成学习的方法,用于预测晶体材料的形成能量和弹性常数,通过分子动力学计算的物性作为输入,集成学习结果比传统的原子势能方法更准确。
- EnTri: 用三层表示的集成学习进行可解释的场景识别
通过集成学习、多层次视觉特征和图文解释,提出了一个名为 EnTri 的场景识别框架,旨在提高分类准确性并增强透明度和可解释性。实验结果表明,EnTri 在 MIT67、SUN397 和 UIUC8 数据集上的准确率分别为 87.69%、75 - 快照谱聚类 —— 一种生成深度聚类集合的零成本方法
本文探讨了如何通过使用深度学习技术和多视图融合的集成学习方法来改善聚类结果,提出了一种新的快照谱聚类集成方法(Snapshot Spectral Clustering),实验结果表明该方法有效地提高了聚类性能和减少了计算成本。
- 联合对抗协作学习用于自监督动作识别
本文提出了一个基于对比学习的模型 SkeletonBYOL,以及一个结合了跨模型对抗学习(CMAL)和跨流协作学习(CSCL)的联合框架 ACL,用于骨架姿态下的行为识别任务。实验结果表明该方法在多个数据集和评估协议下均实现了优异的性能。
- 洋葱宇宙算法:弱监督学习的应用
提出了 Onion Universe Algorithm(OUA)分类方法,基于几何学的解释,适用于弱监督学习,具有实现简单、计算效率高、不需要假设数据或弱信号的优点。
- 融合格网卫星和气象站降水数据的 Ensemble 学习
本文提出了 11 个集成学习器并将它们与 PERSIANN 和 IMERG 数据集以及 GHCNm 数据进行比较,证明了这些集成学习器对卫星降水产品的预测精度有所提高。
- 深度集成学习中的帧跳过用于人脸防伪
将人脸防伪任务重新构建为动作预测问题,并引入了一个含有跳帧机制的深度集成学习模型。通过对原始视频进行切割,并选取每个视频片段的第 n 帧来培训三个循环神经网络,从而改进了整体的识别表现。在四个数据集上进行了大量实验证明,在最具挑战性的跨数据 - SleepEGAN: 一种增强 GAN 集成深度学习模型用于睡眠阶段不平衡分类
本文提出了一种基于生成式对抗网络的加强型深度学习模型 SleepEGAN,该模型通过新的生成对抗网络架构 EGAN 进行数据增强,以提高睡眠阶段识别的准确性,在验证和测试集之间设计了一种无代价的集成学习策略以减少模型估计方差。实验表明,该方 - DeepFlorist:基于元分类器的深度神经网络和集成学习方法用于物体分类的重新思考
本文描述了一种名为 “DeepFlorist” 的新型学习范式,使用集成学习作为元分类器进行花卉分类。 DeepFlorist 结合了深度学习的强大能力和集成方法的鲁棒性,以实现准确可靠的花卉分类结果。 该框架在基准花卉数据集上的实验结果表 - 联邦集合 YOLOv5 - 更好的通用物体检测算法
本文探讨了联邦学习算法在物体检测中的应用及其性能表现,研究表明它不仅是一种增强隐私的算法,同时也能够增强模型性能。