bootstrap aggregating
PulseAugur coverage of bootstrap aggregating — every cluster mentioning bootstrap aggregating across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的斐波那契集成方法增强了机器学习聚合
研究人员引入了一种新颖的集成学习方法，称为斐波那契集成，其灵感来源于斐波那契数列和黄金比例的数学特性。该方法通过采用归一化的斐波那契权重来减少基学习器之间的方差，为装袋法（bagging）和提升法（boosting）等传统方法提供了一种替代方案。该框架还包含二阶递归集成动态，旨在增强表示深度。使用随机傅里叶特征和多项式集成的二维回归任务的初步实验表明，斐波那契加权可以媲美或优于均匀平均，并能有效地与正交Rao-Blackwelliza…
-
新算法提升学习模型的对抗鲁棒性
研究人员开发了一种新算法，显著提高了学习对对抗样本具有鲁棒性的预测器的能力。该方法在VC维度上实现了线性样本复杂度，比之前的界限有了指数级的改进。该算法将自举聚合（bagging）与鲁棒经验风险最小化（RERM）相结合，在多个自举样本上计算RERM并输出其多数投票。一个互补的下界表明，这种方法对于在此模型中学习是必需的。
-
机器学习模型绘制伊朗洪水敏感性地图
研究人员采用了先进的机器学习技术来绘制伊朗马拉德平原的洪水敏感性地图。该研究使用了五种不同的机器学习算法，包括随机森林和局部加权线性模型，并纳入了气象、水文和地理数据等十二个因素。局部加权线性模型取得了最高的准确度，为洪水频发的地区的洪水风险管理和灾害减缓提供了关键见解。
-
新框架通过稀疏装袋压缩集成模型
一篇新的研究论文介绍了一种名为 Simplex-Constrained Sparse Bagging (SCSB) 的新颖框架，该框架旨在压缩和校准基于自举法的装袋集成。SCSB 通过优化以减少袋外 (OOB) 损失来解决标准装袋方法的局限性，从而根据基础估计器的局部能力为其分配不同的投票权重。这种方法可以实现显著的集成压缩，最高可达 96%，从而在不牺牲泛化准确性的情况下提高推理速度并改善概率校准。
-
随机森林分类器使用集成学习方法来改进 AI 预测
随机森林分类器利用多个决策树的集体智能来提高预测准确性。这种集成学习方法解决了众多不完美来源的聚合见解是否能超越单一专家判断的可靠性这一问题。采用了多数投票等技术来综合这些不同的输入。