- 约束优化模型集成
通过多调整技术和组合模型来改进多维输出预测的下游优化问题，提出了两个高效收敛的算法，并在实验中对其性能和行为进行了探索。
- 改进用于多样人群的卷积神经网络脑肿瘤分割
通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割，本研究在 BraTS-GoAT 挑战中的各种人群（如成人、儿科和非洲撒哈拉以南地区）的脑部 MRI 扫描图像中自动分割肿瘤，并通过大量的模型集成和后处理方法在未知验证集上表现良好， - 机器学习集成的解码：cattleia 辅助决策
我们提出了 cattleia—— 一个用于解读回归、多分类和二分类任务的集成模型的应用，通过评估度量、多样性和补充性度量以及可解释性人工智能技术，我们可以调整集成模型的权重和组件模型以满足特定需求，并通过交互式可视化来提供这些方面，从而支持 - 因果性 Q - 聚合用于 CATE 模型选择
基于 Q 聚合的因果效果估计模型集成方法，在非凸的模型选择问题中取得了统计上最优的模型选择遗憾率，不需要候选模型接近真实情况。
- 使用内点和外点进行半监督主动学习的训练集合
为了在存在异常样本的情况下进行深度主动学习，本文介绍了一种方法，该方法利用了三个高度协同的组成部分：与内点和异常点的联合分类器训练、通过伪标记进行半监督学习以及模型集成。通过联合训练过程启用半监督，我们观察到分类器准确度显著提高，并使用所有 - 使用时间集成提高在线连续学习的性能和稳定性
本文研究了模型集成作为一种提高在线持续学习性能和稳定性的方法，并且通过使用轻量级时间集成方法以及结合文献中的几种方法，我们表明该方法可以显着提高性能和稳定性。
- 声音分离任务的基准测试和排行榜
本文旨在介绍音乐分离的任务以及该任务的两个新的基准数据集，比较流行模型的表现并提供评估排名，同时提供可下载的基准数据集。作者提出了一种使用不同模型进行集成的新方法，并在音乐分离挑战赛中取得了最佳结果，该方法的代码和技术细节已在 GitHub - 基于集成课程学习和协同训练的运动想象解码
本研究提出了一种用于电极脑电图（EEG）数据的跨受试研究的两阶段模型合奏架构，该架构由多个特征提取器（第一阶段）和共享分类器（第二阶段）构建，并在两个损失项中端到端训练，证明了我们的方法实现了目标并在两个大型 MI 数据集中优于所有方法，同 - EMNLP神经主题模型失效了吗？
针对自动化与人工对主题模型的评估之间的关系进行研究，分析了两个与主题模型相关的方面，即它们的稳定性和是否能够与人工确定的分类相匹配，发现神经主题模型在稳定性和对人工分类相匹配方面表现不佳，并通过演示一种简单的集成方法来解决这两个问题。
- BLCU-ICALL 在 SemEval-2022 任务 1 中的定义建模跨注意力多任务框架
本文介绍了 BLCU-ICALL 系统在 SemEval-2022 任务 1 中使用的 transformer-based multitasking framework，该框架通过交叉注意机制集成多种嵌入模型并通过掩码语言模型目标捕捉词条结 - 使用深度学习和任务特定中心线标注的 CAD-RADS 评分
这份研究论文用深度学习算法实现了一种快速，可靠，易于实施的冠状动脉 CT 血管造影图标注方法，将冠状动脉树分成患者间一致的部分，并获得了比以前更好的诊断表现
- Fed-ensemble：在联邦学习中通过模型集成来提高泛化能力
本文提出 Fed-ensemble: 一种将模型集成应用于联邦学习的简单方法，其通过随机排列更新一组 K 个模型，然后通过模型平均获得预测结果，证明了在神经切线核环境下新数据的预测来自所有 K 个模型的相同预测后验分布，并通过实验证明其在联 - CVPRAI 城市挑战赛上车辆重新识别的实证研究
本文介绍了我们在 AICITY21 车辆重识别比赛中赢得第一名的解决方案，该方案使用了车辆重识别、无监督领域自适应训练、后处理、模型组合等技术，并结合了裁剪训练数据和使用合成数据等方法。最终模型达到了 0.7445 的 mAP 得分。
- VIPriors 1: 数据 - 高效深度学习的视觉归纳先验挑战
该论文介绍了 “VIPriors：基于视觉归纳先验的数据有效深度学习” 挑战赛的第一版，其中提出了四个数据受损挑战，并禁止使用预训练模型和其他迁移学习技术，大部分排名靠前的解决方案使用了数据增强、模型集成和新颖高效的网络架构，相对于基线表现 - 基于特征残差的学习式视频压缩
本文介绍了一种基于深度神经网络的视频压缩网络，通过对图像特征的残差进行压缩，结合模型集成和逐步训练的方式提高整个框架的训练效率，并在 CLIC 验证集上实现了 0.9968 MS-SSIM 和测试集上的 0.9967 MS-SSIM。
- 深度医学图像分割的置信度校准与预测不确定性估计
本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面 - ICLRWasserstein Barycenter 模型集成
本文提出使用 Wasserstein barycenter 对模型进行集成，以在多类或多标签学习设置中提高模型性能，并应用于基于属性的分类、多标签学习和图像标题生成任务，结果表明 Wasserstein 集成是一种可行的替代方法。
- Pythia v0.1：VQA Challenge 2018 获胜方案
本文提出的 Pythia v0.1 通过对模型架构、学习率调整、图像特征微调和数据增强进行优化，并使用不同数据集和特征训练多个模型集成实现了 VQA v2.0 数据集上 72.27% 的准确率，其中采用的 up-down 模型表现最好。