【报告内容】

汇报人：贺国东

汇报单位：太原理工大学

主题：《Genetic Algorithm-based Sequential Instance Selection Framework for Ensemble Learning》

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

在过去的几十年里，大量历史数据的积累使得集成学习得到了广泛的应用，但在集成模型的构建中，很少考虑到基分类器的分类精度以及这些分类器之间的多样性之间的平衡。由于这种平衡对集成模型的构建至关重要，因此本文提出了一个基于遗传算法的数据样本选择框架来解决这一研究空白。

2.相关创新方案

1）本文提出了构建集成模型的GASIS框架。与现有的集成学习方法不同，该框架明确的考虑了基分类器的准确性和多样性，并将它们之间的平衡作为一个通用的组合优化模型。

2）本文设计了一种新的遗传算法，该算法使用由多个候选解组成的两个独立种群作为操作对象。通过使用一系列遗传算子对两个种群进行更新，该遗传算法具有比传统遗传算法更好的收敛性能。

3.实验总结

1）在构建强大的集成模型方面，本文提出的GASIS框架可以与主流的集成方法相媲美。

2）不同的正则化系数α值对GASIS框架的预测性能影响不大。

3）本文提出的新遗传算法在利用IS技术构建集成模型方面具有比传统遗传算法更好的收敛性能。

4.有待改进

1）将种群2个体适应度评估公式中的余弦距离替换成其他度量方法

2）在GASIS框架的优化阶段，将遗传算法替换成其他更好的优化算法，如：粒子群算法、遗传编程。

报告时间：2024年06月28日19:30

腾讯会议：371 3868 6615

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)