English(EN) Meta-Ensemble Learning with Diverse Data Splits for Improved Respiratory Sound Classification

元集成学习将呼吸音分类提升至新的最先进水平

作者 PulseAugur 编辑部 · [2 个来源] · 2026-04-27 06:38

研究人员开发了一种元集成学习方法，以提高呼吸音分类模型的准确性。该方法在不同的数据分割上训练基础模型，以增强预测多样性，然后由元模型进行组合以实现更好的泛化。该技术在ICBHI基准测试中取得了最先进的结果，证明了其性能的提高和在实际临床数据中的适用性。 AI

影响增强了专业分类任务的泛化能力，有望改进诊断工具。

排序理由详细介绍改进分类性能新方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · June-Woo Kim, Miika Toikkanen, Heejoon Koo, Yoon Tae Kim, Doyoung Kwon, Kyunghoon Kim · 2026-04-28 04:00

用于改进呼吸音分类的具有多样化数据分割的Meta集成学习

arXiv:2604.24096v1 Announce Type: new Abstract: Training reliable respiratory sound classification models remains challenging due to the limited size and subject diversity of datasets. Ensemble methods can improve robustness, but when base models are trained on identical data, mo…
arXiv cs.LG TIER_1 English(EN) · Kyunghoon Kim · 2026-04-27 06:38

用于改进呼吸音分类的具有多样化数据划分的 Meta-集成学习

Training reliable respiratory sound classification models remains challenging due to the limited size and subject diversity of datasets. Ensemble methods can improve robustness, but when base models are trained on identical data, models tend to overfit and produce highly correlat…