| | 講 題 | 動態多模型融合分析研究 | | | 講 者 | 蘇俊儒, 陳弘軒 | | | 日 期 | 2018/10/24 | 長 度 | 00:08:41 | 人 氣 | 107 次 | | | 現今多模型的整合大多採用固定策略，在訓練過後，多個基礎模型將以「靜態」的方式作融合，即：不會因為待測樣本的特徵不同而改變基礎模型的融合方式。但在現實的訓練情境中，單一模型可能只擅長於預測特定特徵分佈的樣本。由於各個樣本的特徵分佈不盡相同，只採用「靜態」融合的策略可能是過於天真的。
主流多模型融合大多假設單一基礎模型對不同數據的預測的能力大致相同，本論文想嘗試設計「動態」的融合學習以彌補這個假設可能造成的缺陷。我們已經嘗試了三種不一樣的方法，分別根據 (1) 基礎模型判斷類別的機率；(2) 將基礎模型判斷轉換成損失；及 (3) 根據樣本空間的判斷能力，這三種不同的方法來實做「動態」整合。
本文將說明我們設計的三種方法，並在人工生成資料集上進行初步的實驗。我們設計的三個整合方法的預測準確度均優於基礎模型，這說明動態的多模型融合應該是可行的。然而，三種方法中只有一種方法略優於靜態的多模型融合方式Majority Voting，故在動態多模型融合的設計上還能再加強。
| | | 提 供 | TANET台灣網際網路研討會-TANET2018 | | |
|
