本研究比较了深度学习与集成学习在交通预测中的应用，解决了短期预测模型的长期预测挑战。结果表明，时间嵌入显著提升了RNN的性能，而XGBoost在仅利用时间特征时也表现出色，为未来的长期交通预测研究提供了重要见解。

本文介绍了树模型在恶意代码检测中的应用，重点讲解了决策树、集成学习（Bagging与Boosting）及XGBoost算法的原理与实现。通过特征提取与模型训练，在PHP恶意代码检测中实现了97%的准确率。

本研究提出了一种创新的交通安全分析方法，解决了传统系统实时预测能力不足的问题。通过集成学习和多模态数据融合，该系统在碰撞风险评估中实现了92.4%的准确率，热点识别精度达到89.7%。

本研究通过集成学习和多维视频Swin Transformer模型，解决了传统孤立手语识别中视角单一的问题，提升了模型在不同视角下的鲁棒性和泛化能力，并在相关比赛中获得第三名。

本研究提出了一种新方法，利用集成学习框架和不同卷积核尺寸的去噪扩散概率模型，提升脑电图语言分类性能，为脑机接口系统的发展提供新机遇。

本研究提出了一种集成学习方法，旨在提高超分辨率超声成像中微气泡的定位精度，从而显著提升检测的灵敏度和准确率。

本研究提出了一种基于分解的深度集成学习方法，以解决深度学习在交通流量预测中的过拟合问题。实验结果表明，该方法在预测性能上优于直接使用原始数据，并揭示了其对聚合策略和预测时域的敏感性。

本研究提出集成超级上下文学习（Ensemble SuperICL），通过结合多个微调的小型语言模型，提升大语言模型在特定领域任务中的表现，尤其在医学标签任务中取得了显著成果。

本研究探讨了集成学习技术如何提升图神经网络（GNN）的性能与鲁棒性。通过训练多个不同初始化或结构的GNN模型，构建了ELGNN集成模型，并利用树状结构Parzen算法确定权重，从而提高准确性，减少偏差与方差，减轻噪声影响。研究结果表明，集成学习在复杂图结构数据分析中的有效性。

本文研究了网络入侵检测系统中的模型选择，提出了一种新的集成学习框架，并通过14种方法和两个数据集验证其有效性。研究强调了集成学习在网络安全中的重要性，涉及特征选择、数据不平衡处理和跨数据集泛化等问题。结果显示，随机森林在准确性和效率方面表现最佳，并通过可解释人工智能方法提升了检测效果。

该研究提出结合社交背景和新闻内容的方法来检测资源匮乏语言中的假新闻。结果显示，集成学习方法效果最佳，F1分数达0.99，有助于提升低资源语言的假新闻识别能力。

研究提出了一种结合集成学习和迁移学习的AI方法，利用VGG-19、MobileNetV3和ResNet-50模型，提高智能铁路系统的缺陷检测准确性，解决样本有限的过拟合问题，增强对新缺陷的适应性。