标签
REATS是一种新方法，利用LLM推理进行可解释的、样本自适应的集成学习以用于时间序列预测。它将文本和数值特征与思维链推理及两阶段微调框架相结合，在八个基准测试上优于竞争性基线。
The paper proposes intuitionistic fuzzy deep RVFL (IF-dRVFL) and ensemble deep RVFL (IF-edRVFL) frameworks that use sample neighborhood information to improve robustness against noise and outliers in classification tasks, outperforming existing SOTA fuzzy and non-fuzzy approaches on benchmark datasets.
本文提出了一种基于邻近树与集成学习的层次化、设计上可解释的关键实例选择模型。该模型与数据模态无关，并在表格、文本、图像和时间序列数据集上展现了具有竞争力的结果。
本文提出LFS-FRAME，一种无泄漏的堆叠集成框架，结合Kolmogorov-Arnold网络与XGBoost实现稳健的多类分类，在主要类别上达到89.85%的准确率，在子类别上达到81.74%。
针对仅用三个基础模型支撑数百万个人工智能代理是否能产生真正多元化的审议进行批判性反思，认为模型间的相关误差可能造成虚假的一致意见，并寻求从集成学习中得出的可操作指标来衡量真正的人类代表性多样性。
TabLoRA 提出了一种针对大规模表格数据的参数高效神经集成方法，通过共享公共骨干网络并引入预测器特定的低秩适配，在性能上与 GBDT 和深度学习基线方法相竞争。
对一篇兜售77%胜率随机森林策略的热门量化帖子的评论，指出该方法只是斯坦福免费讲座中的标准集成学习，且过去的表现不能保证未来的结果。
本文提出SCBoost，一种通过将残差投影到先前预测的正交补上并使用协方差正则化加权来降低学习器冗余的Boosting框架，具有理论保证和强大的实证性能。
介绍Simplex约束的稀疏Bagging (SCSB)，一种训练后框架，利用袋外样本在概率单纯形上优化估计器权重，实现高达96%的集成压缩并改进校准。
本文介绍了WISE-HAR，一个用于基于WiFi的人类活动识别的集成深度学习框架，实现了鲁棒的性能和跨场景的泛化能力，准确率下降极小。
本文提出了一种确定性气候风险智能框架，整合了编排、异常检测和不平衡感知集成学习，用于可审计的ESG验证，以解决碎片化的范围1-3报告数据。
本文提出了 MIPIAD，这是一种针对间接提示注入攻击的多语言防御框架，融合了基于 Qwen2.5 的分类器、TF-IDF 特征以及元集成学习。该框架在英语和孟加拉语基准测试中表现出色，取得了较高的 F1 和 AUROC 分数，同时缩小了跨语言差距。
这篇学术论文提出了一种用于ESA卫星遥测异常检测的层次化集成管道，利用基于形状序列（shapelet）和统计的特征提取技术，来识别多元时间序列数据中的细微异常。
本文介绍了用于 SemEval-2026 任务 9 的 YEZE 系统，该系统利用 XLM-RoBERTa 和 mDeBERTa 模型的异构集成，检测 22 种语言中的网络极化现象。