该研究介绍了两组新的初始化方法：一组是通过应用变分自动编码器来局部初始化权重组，另一组是通过应用图形超网络来全局初始化完整的权重集合。结果显示全局初始化可以提高准确性和初始收敛速度，但通过图形超网络实现会降低对超出分布数据的集成性能。为了解决这个问题，提出了一种叫噪声图形超网络的修改方法，以增加生成的集成成员的多样性。该研究提供了对这些新的初始化方法的潜力、权衡和可能修改的见解。

本文介绍了两组新的初始化方法：一组是通过应用变分自动编码器局部初始化权重组，另一组是通过应用图形超网络全局初始化完整的权重集合。评估结果显示，全局初始化导致更高的准确性和更快的初始收敛速度，但图形超网络方式会降低对超出分布数据的集成性能。为解决此问题，提出了噪声图形超网络的修改方法，鼓励生成多样性。此外，该方法可能将学到的知识传递给不同的图像分布。