Machine Collaboration
机器协作：循环交互式监督学习集成框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用监督学习集成，未提供宏观预测、收益预测或其他所列计量细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
机器协作：循环交互式监督学习集成框架
- 研究问题
- 多个基础学习器能否通过循环交换信息并更新自身结构与参数，以较精简的集成降低监督学习预测风险？
- 方法与思路
- 作者提出循环交互式集成框架 MaC，分析估计量的风险界，并在模拟数据及一百一十九个真实基准数据集上比较预测表现。
- 材料陈述的贡献
- 摘要称，循环交互机制有助于通过精简集成降低风险，且多数实验中表现优于所比较的树模型、神经网络、堆叠与提升方法。
- 阅读关注点
- 应核对学习器之间的信息交换与停止规则、风险界适用条件，以及比较方法的调参预算、数据划分和显著性检验。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出风险界条件或逐项实验结果，不能据此认定普遍优越。
原文摘要
We propose a new ensemble framework for supervised learning, called machine collaboration (MaC), using a collection of base machines for prediction tasks. Unlike bagging/stacking (a parallel & independent framework) and boosting (a sequential & top-down framework), MaC is a type of circular & interactive learning framework. The circular & interactive feature helps the base machines to transfer information circularly and update their structures and parameters accordingly. The theoretical result on the risk bound of the estimator from MaC reveals that the circular & interactive feature can help MaC reduce risk via a parsimonious ensemble. We conduct extensive experiments on MaC using both simulated data and 119 benchmark real datasets. The results demonstrate that in most cases, MaC performs significantly better than several other state-of-the-art methods, including classification and regression trees, neural networks, stacking, and boosting.