- GreenCOD：一种绿色伪装的物体检测方法
我们介绍了 GreenCOD，一种用于检测伪装目标的绿色方法，其独特之处在于避免了反向传播技术。GreenCOD 利用了梯度增强和从预训练的深度神经网络（DNNs）中提取的深度特征。该方法显著简化了模型设计，需要更少的参数和操作，并与最先进 - 沃瑟斯坦梯度提升：一种应用于后验回归的通用框架
Wasserstein gradient boosting is a novel ensemble method that uses Wasserstein gradient to approximate a target probabil - 基于梯度提升的轻量级连通性检测
一种轻量级语篇连接词检测系统，使用基于梯度提升训练的简单、低复杂度特征，避免了依赖深度神经网络的计算需求；考虑到其简洁性，该方法在 CPU 上即可取得竞争性结果，同时在两种不相关的语言之间表现稳定，这表明了该系统在多语言场景中的鲁棒性；此模 - Thelxinoë：使用瞳孔测量和机器学习识别人类情绪
使用瞳孔测量的虚拟现实情绪识别方法，通过分析虚拟现实头戴设备对视觉和听觉刺激的瞳孔直径响应，从时域、频域和时频域提取关键特征并利用特征选择获取最重要的特征，再应用集成学习技术中的梯度提升模型，通过特征工程将准确率从 84.9% 提升至 98 - 正交梯度提升用于简化的加法规则集合
梯度提升预测规则是学习可能解释性又准确的概率模型的有效方法，本文通过引入新的目标函数来优化规则条件的选择，从而在理解性与准确性之间取得了显著的平衡。
- 关系学习中的全面关注提升
基于树模型的注意机制结合与 (tabular data) 表格数据在 (gradient boosting) 梯度提升训练环境中学习，被证明在多个领域与包含树模型和神经网络模型的现有技术相比具有竞争力。
- 机器学习路径损耗预测的模拟增强数据扩充
本文介绍了一种用于机器学习路径损耗预测的新型增强数据方法，通过将合成数据与真实数据相结合，显著改善了模型在不同环境中的泛化能力，取得了可观的均方误差改进。
- 基于机器学习模型的 UTEQ 太阳辐射预测
本研究旨在探索不同机器学习模型在预测 State Technical University of Quevedo 中心校区太阳辐射方面的有效性，并通过开发基于网络的工具展示该模型在实时太阳辐射预测中的实用性，为高效太阳能管理提供贡献。
- 基于集成的贝叶斯神经网络和传统机器学习算法的混合优化
通过将贝叶斯神经网络与传统机器学习算法（如随机森林、梯度提升、支持向量机）协同集成的一种新方法，强调了特征集成在优化中的重要性，包括优化的二阶条件，如哈西矩阵的定态性和正定性。与此相反，超参数调整对于改善预期改进（EI (x)）的影响有所削 - 级联子空间聚类用于异常检测
本文提出了一种新的异常检测框架，使用多次自表示构建弱异常检测器，利用弹性网络和马尔可夫链在每个阶段构建自表示，实现梯度提升，将多个弱检测器结合成一个强检测器，可应用于图像和讲者数据库中的异常检测问题，并取得了优异的实验效果。
- KUCST 参加 CheckThat 2023: 使用通用模型的高水平表现
本文介绍了我们在 CheckThat2023 共享任务的任务 2 和任务 3A 中的方法。我们利用了一种通用方法，训练了许多机器学习模型，结果表明 Gradient Boosting 在两个任务中表现最佳，但整体表现与其他团队相当。
- 基于最先进的梯度提升算法的分类性能基准测试
比较了四种梯度提升方法在一些真实数据集上的表现，着重考虑超参数优化策略，并尝试找到一种具有效果、可靠性和易用性的梯度提升算法。
- 应用梯度提升方法对外星系射电源进行形态学分类
该研究提出了基于 GBM 方法和 PCA 的数据更有效的替代卷积神经网络的分类器，针对射电天文学中的异星射电源形态分类问题进行研究，并探究数据集大小对分类器性能的影响，最终发现三种 GBM 方法在分类效果上优于目前最先进的基于卷积神经网络的 - Π-ML：基于维度分析的大气地表层光学湍流机器学习参数化
本文提出了一种基于物理学分析和梯度提升的机器学习方法以预测 $C_n^2$，并确定了潜在温度的归一化方差作为预测湍流强度的主导特征，并训练了一组模型以达到统计鲁棒性和高性能。
- 通过梯度提升实现领域无关的监督式话语解析
本文提出了一种新的有监督范式，用于解决语篇分析中域依赖的问题，通过梯度提升框架引入弱分类器级联模型，设计了第一个完全有监督的语篇分析器。
- 基于新合成数据集训练的集成机器学习模型在使用可穿戴设备进行压力预测时具有良好的泛化能力
本文提出了一种使用多个数据集结合模型集成方法，并将其应用于压力检测的方法，该方法的表现优于仅基于单个小数据集训练的模型。
- 利用随机森林和梯度提升预测短期能源消耗
该研究比较了随机森林和梯度提升算法在基于历史数据预测能源消耗方面的性能，并使用加权平均集成方法将两种算法单独应用于能源消耗的预测，实验结果表明，加权平均集成方法比两种算法单独应用提供更准确的结果。
- 使用机器学习技术从膝角度识别人类活动
该论文研究了使用已公开发布的运动数据集来训练机器学习算法，以分类人类活动，并通过 Gradient Boosting 算法在 11 次交叉验证中展现了高达 0.94 的 ROC 曲线下区域 (AUC) 性能，显示出该方法的有效性和潜在用途。
- 使用图形在体外寻找药物相互作用的 TigerLily
使用 TigerGraph，基于图挖掘技术，以个性化的 PageRank 为算法基础，采用梯度提升算法构建的药物相互作用预测系统 --Tigerlily
- ICLR个体公平梯度提升
该研究采用函数梯度下降法实现在梯度提升中的个体公平性问题，并证明了该算法在决策树等非平滑模型上的泛化性和有效性。