- 肺音和肺病分类的多任务学习
使用多任务学习方法，在医学诊断中对肺音和肺疾病进行同时分类，结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果，并应用于慢阻肺患者的风险水平计算中，使用随机森林分类器达到了 92% 的准确率，从而减轻了医生的负担。
- 利用视网膜 OCT 图像预测心血管疾病风险
通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成 - 利用机器去学习的方式为随机森林提供基于实例的解释
通过利用机器反学习方法，FairDebugger 能够识别造成随机森林分类器结果不公平的训练数据子集，并生成前 k 个解释（以一致的训练数据子集形式）来解释模型的不公平行为。
- 发挥额外决策树特征选择和随机森林分类器的潜力，提高心力衰竭患者生存预测效果
利用数据预处理技术和 Extra-Tree 特征选择方法结合 Random Forest 分类器，提高心衰患者生存预测准确性。采用 UCL 心衰生存数据集进行特征选择和调优，获得了 98.33% 的最高准确率。
- 现代天文巡天数据中寻找 L&T 类褐矮星的机器学习方法
利用机器学习方法，如随机森林分类器、XGBoost、支持向量机分类器和 TabNet，基于 PanStarrs DR1、2MASS 和 WISE 数据，区分 L 和 T 型棕矮星与其他光谱和亮度类别的物体，并对模型进行解释。同时，我们将我们 - 单次变形攻击检测中的面部特征可视化
本文提出了一种可解释的面部特征提取算法，能够检测真实和变形图像，用于单一变形攻击检测。该方法基于原始图像、形状、纹理、频率和压缩。利用此方法可以开发一个图形用户界面来协助边境警卫人员调查涉嫌的图像。在三种基于地标点的人脸变形方法和基于 St - 使用二维灰度共生矩阵的纹理图像处理进行破损铁轨检测
该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类， - 通过日语风格测量分辨 ChatGPT (-3.5, -4) 生成与人工写作的论文
本篇研究比较了 GPT（-3.5 和 - 4）和人类所写日文文本的风格特征，并使用多维缩放进行了分析和分类，揭示出两者间在语言风格上的差异。通过验证随机森林分类器在日文风格特征上的表现，该研究发现当前阶段我们还可以使用人类判别 ChatGP - AAAI基于结构一致性的多模态事实验证: Factify 2 中的 INO
本文介绍了我们在 AAAI2023 的多模态事实验证（FACTIFY）挑战中的方法。我们提出了一个基于结构一致性的多模态事实验证方案来分类虚假新闻，通过随机森林分类器将特征进行合并并获得了 0.8079 的加权平均 F1 分数。
- 物联网：数字足迹携带设备身份
本文提出了一种基于设备指纹技术的模型，能够在网络设备中区分物联网设备和非物联网设备，并能针对每个设备进行唯一识别，通过使用随机森林分类器和不同数据集的实验证明，该方法能够在分辨物联网和非物联网设备方面达到 99.8% 以上的准确率，并在分类 - 瑜伽姿势的视角无关分类框架
本研究使用从 Human Pose Estimation 模型中提取的 136 个关键点训练 Random Forest 分类器，对 Yogasanas 进行估计，通过测试未见的帧、未见的主题和未见的摄像机角度，提出了评估 Yoga 分类器 - MM单样本特征重要性：一种可解释算法用于低层特征分析
本文介绍了一种解释性特征重要性算法 SSFI，可以识别对于单个样本预测最重要的特征，并通过随机森林分类器 / 回归器的预测路径计算低级特征重要性，从而得出特征的相对重要性排序，同时在四个不同数据集上提出了数值和可视化结果。
- 运用多透视隐马尔可夫模型实现信用卡欺诈检测自动化特征工程
使用多个透镜 (Hidden Markov Model) 和随机森林 (Random Forest classifier) 的多视图特征工程方法，以检测信用卡欺诈，可提供具有更高检测率的特征集，具有与专家基于特征工程策略相比的优势。
- ASAS-SN 可变星目录 II：412,000 个已知变星的统一分类
采用随机森林分类器对 ASAS-SN V-band 光曲线进行同质化分析，重新对不确定星源和新变化组进行了分类和归类，同时提供了变星数据库和一些罕见的变量以及瞬变源的光曲线。
- KDD多类恶性预测的合成采样
本文探讨了几种多标签不平衡分类问题中的过采样技术，证明了通过使用合成采样技术，可以提高恶性程度预测的每个类的性能敏感性，寻找合适的低层次图像特征和随机森林分类器对数据集进行分类，可以对多标签不平衡分类问题提供信息和指导。
- 预测美国最高法院行为的通用方法
基于机器学习和司法预测的科学之前的研究，建立了一个模型来预测美国最高法院的行为，并采用了一种独特的特征工程方法，使其能够在案例结果和法官选票水平上比基准模型表现更好，实现了 70.2％的案例结果准确性和 71.9％的法官投票准确性，在过去的 - 使用随机森林预测股市价格走向
使用随机森林分类器等机器学习算法，通过对技术指标进行特征筛选，进行股价预测，预测效果优于已有文献中现有的算法。
- CVPR定向边缘森林用于边界检测
本文提出了一种基于随机森林分类器学习边缘检测的简单有效模型，该方法结合了对训练样例的高效聚类以及针对多尺度组合之前进行校准的树输出概率的尺度依赖性校准，该模型优于已发表的在 BSDS500 数据集中的边界检测基准的结果，并且在大型数据集上， - 利用稀疏嘈杂的时间序列数据进行机器学习分类变量星
本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。