动态元学习让XGBoost与神经网络自适应融合，提升预测与可解释性。
Dynamic Meta-Learning for Adaptive XGBoost-Neural Ensembles
- 用元学习动态协调XGBoost与神经网络的组合策略
- 在多个数据集上表现更优且可解释性更强
- 适合需要灵活建模与高可信度输出的任务
本文提出一种新型自适应集成框架，通过先进的不确定性量化技术和特征重要性融合，将XGBoost与神经网络进行协同优化。该方法利用元学习动态调整模型选择与组合方式，在多个数据集上的实验表明，其预测性能显著优于传统方法，并提升了模型的可解释性，推动了更智能、更灵活机器学习系统的发展。
原文摘要 · Abstract (English)
This paper introduces a novel adaptive ensemble framework that synergistically combines XGBoost and neural networks through sophisticated meta-learning. The proposed method leverages advanced uncertainty quantification techniques and feature importance integration to dynamically orchestrate model selection and combination. Experimental results demonstrate superior predictive performance and enhanced interpretability across diverse datasets, contributing to the development of more intelligent and flexible machine learning systems.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。