Anmol Jain, Aishwary Kumar, Seba Susan

深度神經網絡 (DNN) 容易過度拟合，過拟合的網絡會導緻對于新的數據實例表現不佳。該論文提出了不使用單個 DNN 作為分類器，而是使用一個由七個獨立 DNN 學習器組成的集合，這些DNN都會保持它們的架構和内在屬性相同，但是使用不同的數據輸入。為了在訓練輸入中引入多樣性， 每一個DNN将會删除七分之一的輸入數據，并從剩餘的樣本中通過bootstrap抽樣進行補充。論文提出了一種新的技術來結合DNN學習者的預測。這種方法被稱 pre-filtering by majority voting coupled with stacked meta-learner，它在分配最終類标簽之前對預測執行兩步置信度檢查。論文将所有算法在人類活動識别(Human Activity Recognition, HAR)、氣體傳感器陣列漂移(Gas sensor array drift)、Isolet、垃圾郵件(Spam-base)和互聯網廣告五個基準數據集上進行了測試，發現所提出的集成方法比單個DNN和多DNN的平均集成，以及多元化投票和元學習的基線方法獲得了更高的準确率

Maximilian L. Croci, Ushnish Sengupta, Matthew P. Juniper

本文提出了一種貝葉斯數據驅動的機器學習方法，用于管道預混火焰g方程模型參數的在線推理。 利用g方程求解器LSGEN2D模拟170萬個火焰鋒面，訓練貝葉斯神經網絡集合，學習給定觀測值的模型參數的貝葉斯後驗分布。然後推斷本生火焰實驗的參數，以便在LSGEN2D中模拟這些實驗的動力學過程。、

Aqsa Saeed Qureshi, Teemu Roos

先前已經提出了了幾種用于從醫學圖像中準确檢測皮膚癌的機器學習技術。其中許多技術都基于預訓練的卷積神經網絡 (CNN)，它可以基于有限數量的訓練數據來訓練模型。但是這些模型的分類準确性仍然受自惡性腫瘤的代表性圖像稀缺的嚴重限制。所以論文提出了一種新穎的基于集成的 CNN 架構，其中多個 CNN 模型，其中一些是預訓練的，而另外一些僅使用現有與輸入圖像相關聯的元數據形式的輔助數據進行發訓練。論文所提出的方法提高了模型處理有限和不平衡數據的能力。論文使用包含來自 2056 名患者的 33126 張圖像的數據集展示了所提出技術的好處。根據 F1 度量、ROC 曲線下面積 (AUC-ROC) 和 PR 曲線下面積 (AUC-PR) 評估所提出技術的性能，并将其與七種不同的基準方法進行比較，包括最近的兩種基于 CNN 的技術。所提出的技術在所有評估指标方面都具有優勢

Ushnish Sengupta, Maximilian L. Croci, Matthew P. Juniper

從觀測數據中估計模型參數的不确定性是科學和工程中普遍存在的逆問題。這篇論文中提出了一種廉價且易于實現的參數估計技術，該方法使用一種使用錨定集成訓練的異方差貝葉斯神經網絡，網絡的誤差模拟了由于我們逆問題中的參數退化導緻的不确定性，而貝葉斯模型不确定性則捕捉了輸入觀測的非分布特性所産生的不确定性。

論文使用該方法對管道預混火焰的6參數g方程模型進行實時參數推斷。用210萬個模拟火焰視頻庫來訓練網絡，在模拟火焰試驗數據集上的實驗結果表明，該網絡恢複了火焰模型參數，預測參數與真實參數的相關系數在0.97 ~ 0.99之間，不确定度估計精度較高。然後使用訓練好的神經網絡進行從實驗室的高速攝像機捕捉到的預混本生火焰的真實視頻中推斷模型參數。利用推斷的參數對火焰進行了再模拟，結果表明真實火焰與模拟火焰具有良好的一緻性。與其他文獻中針對這一問題提出的基于集成卡爾曼濾波器的工具相比論文的神經網絡集成實現了更好的數據效率，并且亞毫秒推斷時間也節省了幾個數量級的計算成本。

作者：momodeep