本研究提出了一种新型聚类集成方法，有效解决了基聚类结果不可靠和样本关系构造耗时之间的权衡问题。实验结果验证了该方法的有效性和效率。

本研究提出了FairHOME，一种新颖的集成方法，旨在解决机器学习软件在多重保护属性定义的子群体间实现交叉公平性的问题。实验结果显示，FairHOME的交叉公平性平均提高了47.5%。

本研究提出两种水库模型集成方法，以提高液态状态机器在模式识别和时间分析中的性能，测试结果显示准确率达到98.1%，超越以往方法，具有重要应用潜力。

本研究提出了一种创新框架，通过集成方法提升大规模语言模型在医疗、法律和金融等高风险领域的可靠性。在78个复杂案例中，精确度从73.1%提升至93.9%（两个模型）和95.6%（三个模型），显示出显著的改进潜力。

本文研究了单模型的语法错误修正，比较了集成与排名方法的效率。在CoNLL-2014-test和BEA-test上取得了最新的F_0.5分数，推动了GEC的发展，并公开了相关代码和模型。

该研究将量子数据嵌入技术与经典机器学习算法相结合，发现其能够提高分类准确性和F1分数。集成方法在性能和计算开销之间取得了平衡。未来的研究方向可能包括优化量子编码过程的计算效率和实际应用的可扩展性。

研究人员提出了TextHarmony，一个多模态生成模型，能够理解和生成视觉文本。通过Slide-LoRA的支持，TextHarmony在视觉文本理解和生成任务中都有显著提升。这项研究为视觉文本领域的集成方法提供了可行性。

本文介绍了一种新的集成方法，用于工业实体的重新识别。该方法使用了芯板托盘和镀锌金属板的图像作为数据集示例，并使用简化的、基本的模型代替复杂的孪生神经网络，提供更广泛的适用性。算法在训练时间的一小部分内使用了不同类型的数据特征作为输入，实现了创建有效集成模型的目标，并在任务中达到了最先进的性能。五种不同的特征提取方法被介绍，并通过不同的集成方法对其组合进行了研究。

本文比较了时间至事件分析的几种预测模型，并评估了它们在三个数据集上的性能。同时，展示了集成方法如何提高预测准确度和稳健性，并通过模拟实验评估了方法的性能排序影响因素。

本文介绍了一种用于分类多模态医学图像和表格数据的三分支神经融合（TNF）方法，并提出了两种解决多模态分类中标签不一致性挑战的解决方案。通过在三个分支中管理图像模态、表格模态和融合数据的混合输出，最终的决策是通过集成方法从三个分支的可能性中得出的。通过广泛的实验验证了 TNF 方法在各种卷积神经网络和基于 Transformer 的架构以及多个数据集上的优越性。

研究人员提出了一种新的方法，通过逐步原型网络（PPN）从电子健康记录（EHR）中预测健康风险。该方法利用典型患者的信息来增强给定患者的表示，并引入了一种新的集成方法。实验证明该模型在所有指标上有所改进。研究人员还开发了一个应用来帮助医生更好地理解结果。

本文介绍了一种基于优化的重建攻击，能够完全或近乎完全重建用于训练随机森林的数据集。通过最大似然目标函数解决重建问题，证明了即使在小规模树集的情况下，使用特征随机化的随机森林也容易被完全重建。这突显了集成方法的关键弱点，值得关注和缓解。

通过核苷酸序列语言模型和PubMed文章的文本语言模型，提出了细调核苷酸序列语言模型和文本语言模型的方法，以及结合两个模型的集成方法。该方法在药物抗性类别预测中表现出更好的性能。

研究发现，集成方法的性能在预测度量与损失函数的选择下随着模型数量的增加而提升。当损失函数是凸的时候，集成的平均损失降低；当损失函数是非凸的时候，优秀模型的集成性能提升，而糟糕模型的集成性能下降。

本研究使用三种不确定性量化机制扩展了DeepONet模型，并使用计算流体力学生成的数据进行训练和评估。结果显示，集成方法在误差最小化和校准不确定性方面优于其他两种模型。

该文介绍了一种使用Electra、GloVe和LSTM模型进行问题分类的集成方法，并在TREC数据集上进行了训练和评估。实验结果表明，该集成模型在所有评估指标上的表现优于其他尖端模型，达到了0.8的准确度。