Evaluating Deep Neural Network Ensembles by Majority Voting cum Meta-Learning scheme
https://arxiv.org/pdf/2105.03819
Anmol Jain, Aishwary Kumar, Seba Susan
深度神经网络 (DNN) 容易过度拟合，过拟合的网络会导致对于新的数据实例表现不佳。该论文提出了不使用单个 DNN 作为分类器，而是使用一个由七个独立 DNN 学习器组成的集合，这些DNN都会保持它们的架构和内在属性相同，但是使用不同的数据输入。为了在训练输入中引入多样性， 每一个DNN将会删除七分之一的输入数据，并从剩余的样本中通过bootstrap抽样进行补充。论文提出了一种新的技术来结合DNN学习者的预测。这种方法被称 pre-filtering by majority voting coupled with stacked meta-learner，它在分配最终类标签之前对预测执行两步置信度检查。论文将所有算法在人类活动识别(Human Activity Recognition, HAR)、气体传感器阵列漂移(Gas sensor array drift)、Isolet、垃圾邮件(Spam-base)和互联网广告五个基准数据集上进行了测试，发现所提出的集成方法比单个DNN和多DNN的平均集成，以及多元化投票和元学习的基线方法获得了更高的准确率
Online parameter inference for the simulation of a Bunsen flame using heteroscedastic Bayesian neural network ensembles
https://arxiv.org/pdf/2104.13201
Maximilian L. Croci, Ushnish Sengupta, Matthew P. Juniper
本文提出了一种贝叶斯数据驱动的机器学习方法，用于管道预混火焰g方程模型参数的在线推理。利用g方程求解器LSGEN2D模拟170万个火焰锋面，训练贝叶斯神经网络集合，学习给定观测值的模型参数的贝叶斯后验分布。然后推断本生火焰实验的参数，以便在LSGEN2D中模拟这些实验的动力学过程。、
Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Detection in Imbalanced Data Sets
https://arxiv.org/pdf/2103.12068
完整文章：
https://avoid.overfit.cn/post/3e81caca08c14a51a53e3c4180a9e820