Ensemble deep learning: A review

要約

アンサンブル学習は、より良い汎化性能を得るために、複数の個別モデルを結合する。現在、深層学習アーキテクチャは浅いモデルや伝統的なモデルと比較してより良い性能を示している。ディープアンサンブル学習モデルは、ディープラーニングモデルとアンサンブル学習の両方の利点を組み合わせ、最終的なモデルがより良い汎化性能を持つようにするものである。本論文は、最先端のディープ・アンサンブル・モデルをレビューし、研究者のための広範な要約として機能する。アンサンブルモデルは大きく分けて、バギング、ブースティング、スタッキング、負相関ベースのディープアンサンブルモデル、明示的／暗示的アンサンブル、同質／異質アンサンブル、決定融合戦略ベースのディープアンサンブルモデルに分類される。また、異なるドメインにおけるディープ・アンサンブル・モデルの応用についても簡単に議論する。最後に、将来の研究の方向性の可能性について述べ、本論文の結論とする。

要約(オリジナル)

Ensemble learning combines several individual models to obtain better generalization performance. Currently, deep learning architectures are showing better performance compared to the shallow or traditional models. Deep ensemble learning models combine the advantages of both the deep learning models as well as the ensemble learning such that the final model has better generalization performance. This paper reviews the state-of-art deep ensemble models and hence serves as an extensive summary for the researchers. The ensemble models are broadly categorised into bagging, boosting, stacking, negative correlation based deep ensemble models, explicit/implicit ensembles, homogeneous/heterogeneous ensemble, decision fusion strategies based deep ensemble models. Applications of deep ensemble models in different domains are also briefly discussed. Finally, we conclude this paper with some potential future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL