本研究针对国家技术图书馆开放存取目录的自动主题标签化问题，提出了一种基于多种大语言模型的组合方法。通过少量示例训练和后处理步骤，我们有效地将生成的关键词映射到目标词汇，并通过专家评估取得最佳结果。

该研究提出了一种新型“集成流”方法，旨在解决传统ODE生成模型在样本质量和训练稳定性方面的不足。通过学习ODE轨迹的积分，该方法提高了模型的稳定性和准确性，并在多个ODE基础模型中展现出更优的性能。

本研究提出了一种零资源幻觉检测框架，专门针对大型语言模型在医疗和金融等高风险领域的应用问题。实验结果显示，该方法在准确性和可靠性上优于传统检测手段。

本研究提出了一种新的集成贝叶斯推断(EBI)方法，以提高小型语言模型(SLM)在档案匹配任务中的准确性。通过结合多个SLM的判断，EBI超越了单个模型的性能限制，实验结果表明其在多种任务中表现优异，尤其在资源有限的情况下具有潜力。

本研究解决了扩散模型在实时游戏环境中推理速度慢的问题，提出了一种结合一致性模型和Q-Ensemble的新方法CPQE。实验表明，CPQE的推理速度达到60 Hz，显著高于现有技术，同时在训练稳定性和性能方面也优于传统的双Q网络方法。这表明CPQE为游戏及其他实时应用中扩散基于政策的实施提供了一种切实可行的解决方案。

Machine learning is changing how we solve problems.

本文探讨无监督依赖解析中的问题，提出了一种高效的集成选择方法，通过后期聚合多样化模型的输出，显著提升了性能和鲁棒性。

我们引入了一种基于低秩调整的参数高效深度集成方法，即LoRA-Ensemble。通过在预训练的自注意力网络中共享权重并训练成员特定的低秩矩阵，我们的方法在校准方面表现出优越性，并在各种预测任务和数据集上实现了相似或更好的准确性。