亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

A comprehensive review on ensemble deep learning: Opportunities and challenges

机器学习 集合预报 集成学习 任务(项目管理) 航程(航空) 深度学习 多任务学习 计算机科学 人工智能 工程类 航空航天工程 系统工程
作者
Ammar Mohammed,Rania Kora
出处
期刊:Journal of King Saud University - Computer and Information Sciences [Elsevier]
卷期号:35 (2): 757-774 被引量:298
标识
DOI:10.1016/j.jksuci.2023.01.014
摘要

In machine learning, two approaches outperform traditional algorithms: ensemble learning and deep learning. The former refers to methods that integrate multiple base models in the same framework to obtain a stronger model that outperforms them. The success of an ensemble method depends on several factors, including how the baseline models are trained and how they are combined. In the literature, there are common approaches to building an ensemble model successfully applied in several domains. On the other hand, deep learning-based models have improved the predictive accuracy of machine learning across a wide range of domains. Despite the diversity of deep learning architectures and their ability to deal with complex problems and the ability to extract features automatically, the main challenge in deep learning is that it requires a lot of expertise and experience to tune the optimal hyper-parameters, which makes it a tedious and time-consuming task. Numerous recent research efforts have been made to approach ensemble learning to deep learning to overcome this challenge. Most of these efforts focus on simple ensemble methods that have some limitations. Hence, this review paper provides comprehensive reviews of the various strategies for ensemble learning, especially in the case of deep learning. Also, it explains in detail the various features or factors that influence the success of ensemble methods. In addition, it presents and accurately categorized several research efforts that used ensemble learning in a wide range of domains.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
15秒前
Artin发布了新的文献求助200
22秒前
充电宝应助dongling采纳,获得10
36秒前
spark810发布了新的文献求助10
38秒前
spark810发布了新的文献求助10
55秒前
1分钟前
spark810发布了新的文献求助10
1分钟前
spark810发布了新的文献求助10
1分钟前
1分钟前
Artin完成签到,获得积分10
1分钟前
spark810发布了新的文献求助10
2分钟前
2分钟前
高高雁枫完成签到 ,获得积分10
2分钟前
夏爽2023发布了新的文献求助10
2分钟前
和敬清寂发布了新的文献求助10
3分钟前
4分钟前
香蕉觅云应助和敬清寂采纳,获得10
4分钟前
4分钟前
和敬清寂发布了新的文献求助10
4分钟前
和敬清寂完成签到,获得积分20
4分钟前
5分钟前
123发布了新的文献求助10
5分钟前
666完成签到 ,获得积分10
5分钟前
123完成签到 ,获得积分20
5分钟前
vegs发布了新的文献求助10
5分钟前
研友_VZG7GZ应助123采纳,获得10
6分钟前
vegs完成签到,获得积分20
6分钟前
老宇126完成签到,获得积分10
6分钟前
6分钟前
木子发布了新的文献求助10
6分钟前
木子完成签到,获得积分20
7分钟前
7分钟前
生言生语完成签到,获得积分10
8分钟前
一辉完成签到 ,获得积分10
8分钟前
木子关注了科研通微信公众号
8分钟前
mengyuhuan完成签到 ,获得积分0
9分钟前
9分钟前
烟花应助干重采纳,获得10
9分钟前
9分钟前
立恒儿完成签到,获得积分10
10分钟前
高分求助中
The ACS Guide to Scholarly Communication 2500
Sustainability in Tides Chemistry 2000
Pharmacogenomics: Applications to Patient Care, Third Edition 1000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Genera Insectorum: Mantodea, Fam. Mantidæ, Subfam. Hymenopodinæ (Classic Reprint) 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3085446
求助须知:如何正确求助?哪些是违规求助? 2738298
关于积分的说明 7548854
捐赠科研通 2387919
什么是DOI,文献DOI怎么找? 1266219
科研通“疑难数据库(出版商)”最低求助积分说明 613332
版权声明 598584