Dieses Forschungspapier schlägt eine Methode zur Erkennung von Netzhautgefäßen in Fundusbildern mittels eines Ensembles von Tiefen Faltungs-Neuronalen Netzen vor. Ziel des Ansatzes ist es, die Diagnosegenauigkeit durch fortschrittliche Bildanalyse zu verbessern.
CAMO é uma nova técnica de ensemble otimizada para dados desbalanceados, que impulsiona classes minoritárias e melhora o desempenho geral. Avaliada em benchmarks com diferentes modelos de linguagem, CAMO consistentemente atinge a maior pontuação F1 macro, estabelecendo um novo padrão.
Eine hierarchische Ensemble-Pipeline wird zur Anomalieerkennung in multivariaten Telemetriedaten der Europäischen Weltraumorganisation (ESA) vorgeschlagen. Diese Methode, die verschiedene Merkmalsextraktions- und Modellierungstechniken integriert, zeigt eine starke Generalisierbarkeit und Wirksamkeit bei der Erkennung subtiler Anomalien in der Satellitentelemetrie.
Das Papier beweist, dass kein Feature-Ranking gleichzeitig treu, stabil und vollständig sein kann, wenn Features kollinear sind, da das Ranking für kollineare Paare zu einem Münzwurf wird. Es löst diese Unmöglichkeit durch Ensemble-Mittelung (DASH), charakterisiert den vollständigen Attributions-Designraum und quantifiziert das Problem für verschiedene Modellklassen.
DivSkill-SQL führt ein Framework zur Optimierung residualer Fähigkeiten ein, um komplementäre Text-to-SQL-Ensembles aufzubauen, wodurch die Genauigkeit durch gezielte marginale Beiträge zu Pass@K verbessert wird. Es erzielt signifikante Genauigkeitsgewinne bei Spider2-Lite für Snowflake und BigQuery gegenüber bestehenden Ensemble-Baselines.