两篇新研究论文介绍了改进机器学习集成模型的新方法。第一篇PACE结合了剪枝和压缩技术，创建了更高效、更具可解释性的集成模型，性能优于现有方法。第二篇扰动与修正（Perturb-and-Correct, P&C）使用单个预训练网络的后验扰动来生成预测器，这些预测器在校准数据上保持一致，但在其他方面有所不同。P&C展示了在分布内和分布外性能之间的有力权衡。 AI
影响 这些论文探索了提高机器学习模型效率和鲁棒性的技术，有望在复杂的预测任务中获得更好的性能。
排序理由 两篇在arXiv上发表的学术论文提出了改进集成模型的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.06278v1 Announce Type: new Abstract: Ensemble models achieve state-of-the-art performance on prediction tasks, but usually require aggregating a large number of weak learners. This can hinder deployment, interpretability, and downstream tasks such as robustness verific…
arXiv:2605.01632v1 Announce Type: new Abstract: Models that are indistinguishable on in-distribution data can behave very differently under distribution shift. We introduce Perturb-and-Correct (P&C), a post-hoc method for constructing epistemically diverse predictors from a s…