.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
模型选择是一种旨在通过识别最优模型来对任何特定输入样本进行分类，从而创建准确且鲁棒模型的策略。本文提出了一种新颖的框架，用于通过整合机器学习和组合优化来实现模型组的可微分选择。
该框架针对集成学习进行了设计，采用了一种学习策略，用于结合适当选择的预训练集成模型的预测。它通过将集成学习任务建模为一种可微分选择程序，并在预训练集成上端到端训练以优化任务性能来实现这一点。所提出的框架展示了其多功能性和有效性，在各种分类任务中优于传统的和先进的共识规则。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息