关键词stacked generalization
搜索结果 - 4
- 个性化联邦学习基于堆叠
使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。
- ICML学习集成策略的理论保证及其在时间序列预测中的应用
使用理论分析方法，我们证明了从有限或有限维族中选择最佳堆叠综合的交叉验证方法不会比最佳方案表现差得多，进一步提出了一种特定的堆叠综合族在概率预测中的应用，并通过实验结果证明了所提出方法的性能提高。
- 堆叠泛化中的问题
本文研究如何使用高级模型组合低级模型以实现更高精度的预测，并发现高级模型结合更低级模型的置信度（而不仅仅是预测）可以获得最佳结果。我们还比较了堆叠泛化与多数表决以及 arcing 和 bagging 的性能表现。
- 电子邮件反垃圾邮件过滤的堆叠分类器
本文通过实证评估了一种称为堆叠泛化的分类器组合方案，将其应用于反垃圾邮件过滤的情境中，证明堆叠泛化能够提高自动化诱导的反垃圾邮件过滤器的效率，并且此类过滤器可以应用于实际应用中。