ensemble performance | BriefGPT

关键词ensemble performance

搜索结果 - 4

最大化学习性能同时保证解释性的集成
提出一种方法，通过在理解性玻璃盒模型和黑盒模型之间进行观察的最佳分配，来实现最优配置。该方法在一系列基准数据集上得出最佳配置，能够保持高的可解释性水平并提高整体性能。
PDF6 months ago
集成学习是否一直在变得更好？
集成方法的性能在预测度量与损失函数的选择下是否随着包含更多模型而提升得到了研究。我们发现，当考虑到损失函数的凸性时，集成的平均损失随着模型数量的增加而降低，而当损失函数是非凸的时候，优秀模型的集成性能提升，而糟糕模型的集成性能下降。
PDF7 months ago
没有一种表示能够掌握所有知识：训练方法的重叠特征
通过对超参、架构、框架和数据集进行大规模实证研究，我们发现训练方法的差异会导致模型产生不同的泛化行为，从而在子域中表现更好，与其他模型的错误更不相关。这种多样性可以提高集成表现，并且连低准确度的模型也可以用来提高高准确度的模型。此外，我们发
PDF3 years ago
拒斥深度集成是贝叶斯的
通过向深度集成的更新规则引入一个内核化的排斥项，我们提出了一个简单的修饰方法来执行和维护成员之间的多样性，并将 MAP 推断转换为正确的贝叶斯推断，这一变化不仅提高了预测的质量，而且大大增强了其对 ODD 的性能。
PDF3 years ago