标签
本文介绍了一种框架，该框架使用AUC界限作为可微目标函数，实现异常检测系统的无异常自优化，并在性能上超越了传统模型选择方法。
一项使用多模态可穿戴数据集进行生理情绪识别的时序深度学习架构比较研究，评估了LSTM、TCN和Transformer模型在不同传感配置下的表现。
本文介绍了一个包含10,000个标注Bangla句子的语料库，用于功能分类，并对多种模型进行基准测试，使用TF-IDF特征的双层集成模型达到了0.95的准确率。
本文提出了一种混合语义上下文增强的集成学习方法，用于风电功率爬坡事件预测，展示了相对于基线模型的小幅但统计上显著的改进，并采用不确定性感知评估。
本文提出一种使用三轴IMU传感器和集成学习来分类帕金森病严重程度的比较系统，其中LightGBM在各项指标上以约97%的准确率实现最佳性能。
本文介绍了CG4AI，一个使用列生成技术来训练AI模型的框架，该框架在模型输出上强制执行硬线性约束，并展示了在数字分类和网络路由中的应用，提升了可行性和准确性。
一项新论文声称，多个通义千问3.8-27B模型组成的集成系统在LiveCodeBench上达到了与Fable-5相当的编码性能，且成本可能显著降低。
本文提出了一种行为感知框架，用于构建多样化的LLM群体以改进未来预测，表明行为多样化的较小群体可以超越较大的群体，同时降低推理成本。
本文提出了一种基于线性判别树集合的可解释多模态分类框架，该框架在准确性和可解释性之间取得平衡，在F1-mod增益和人工标注者一致性分数上优于Transformer模型。
本文重新审视了基于能量的模型在表格异常检测中的应用，证明将Deep Boltzmann Machine的能量分数与自编码器的重建分数相结合，能显著提升在基准数据集上的性能。
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。