跳到主要内容
检索

# 集成学习

8 篇关联报道

订阅更新
  1. arXiv

    环境宏基因组里挖出逾4.6万个潜在β-内酰胺酶,两个低同源候选在大肠杆菌中赋予多重耐药

    环境微生物组中β-内酰胺酶的功能多样性与突变潜力此前只被部分认识。把蛋白质语言模型与集成学习结合,从环境宏基因组中识别出四个Ambler类共逾4.6万个潜在β-内酰胺酶,其中与已知酶序列同一性约30%的两个C类候选在大肠杆菌中表达后赋予对多种β-内酰胺类抗生素的耐药性;再用逆折叠模型与蛋白质语言模型筛出的突变可改变耐药谱,包括增强对碳青霉烯类的耐药。

  2. researchsquare.com

    入侵告警不再由单个模型说了算:多智能体复核加链上投票,认证子集准确率99.65%

    入侵检测的告警不再由单个模型直接触发处置,而是先经多个独立公证智能体复核、在Hyperledger Fabric账本上以2/3法定票数共同签署后才放行。在CICIDS2017的类别均衡测试集上,校准集成对全部决策的准确率为96.60%,经拒绝门控后认证子集在87.3%覆盖率下达到99.65%准确率与0.04%误报率;在独立生成的GeNIS 2025语料上,同一套流程认证99.86%的流量、准确率99.98%。

  3. researchsquare.com

    水泥碳化养护的净碳账要重算:同一吸收量下,五种CO₂供应情景的盈亏分界从0.314到2.047 kg CO₂/kWh

    水泥碳化养护能把CO₂存进材料,但净碳收益取决于CO₂供应与养护本身的排放。研究把461条文献吸收数据统一到含骨料的原材料质量基准,用八种材料与养护描述符比较八种回归模型,并把预测吸收量与供应、运输、养护排放耦合起来。在一个示例预测吸收量0.231 kg CO₂/kg原材料、假定材料质量2400 kg/m³下,电力碳强度为0.05 kg CO₂/kWh时五种供应情景净收益为0.189–0.219 kg CO₂/kg原材料,电力碳强度升到0.40 kg CO₂/kWh时其中两种转为净排放;五种情景的盈亏分界电力碳强度为0.314–2.047 kg CO₂/kWh。

  4. researchsquare.com

    阿曼原油管道不再逐工况跑CFD:代理模型秒级给出热损、水头损失与功率损失

    阿曼原油管道在非等温、黏塑性条件下运行,热损与水头损失过去要靠高保真CFD逐工况计算,速度难以支撑实时决策。研究者用962组COMSOL仿真训练物理信息代理模型,并引入无量纲的流变热损指数RHLI作为输入特征,同时预测总热损、水头损失与总功率损失。五折交叉验证下热损最易学,交叉验证R²接近1;不确定性量化给出平均校准误差0.0211、95%经验覆盖率97.4%,SHAP显示环境温度是热损的主导因素。

  5. researchsquare.com

    糖尿病症状数据集里近半记录是重复档案:按档案分组重评,集成模型准确率从98%回落到90–93%

    在UCI早期糖尿病风险数据集上,520条问卷记录中有269条与另一条记录共享完全相同的预测变量组合,按行随机划分的交叉验证会把同一档案的副本同时放进训练与测试折。改用按档案分组的交叉验证后,十个集成模型的MCC下降0.105至0.157,准确率从97.2–98.2%降到90.2–93.2%,模型排名也随之改变。进一步把仅年龄不同的近重复症状模式并入同一折,所有模型的表现继续下降。

  6. bioRxiv

    膜蛋白界面不再依赖复合物结构:只给序列,跨家族语言模型集成把界面残基排到0.643

    膜蛋白相互作用界面的预测此前受限于实验复合物稀少,且跨疏水跨膜区的序列比对不可靠。CHORUS把ESM-2、ESM-C与ProtT5三个蛋白语言模型家族、不同层深与三种下游网络组合成六模型集成,仅凭单条序列输出逐残基界面概率,在4,655个同源隔离测试链上取得0.643的链宏平均精度,高于覆盖完整的结构方法ScanNet-MSA的0.613。该框架还发布了覆盖80,619条已审阅跨膜蛋白、4,918个物种的预计算界面图谱。

  7. 保留全部208个分子描述符并用mixup虚拟样本扩充后,随机森林将缓蚀效率预测R²提升至0.72,SHAP指出Chi4n等拓扑描述符最关键

    该研究以317个有机缓蚀剂化合物的SMILES为输入,用RDKit计算并保留全部208个二维分子描述符,通过mixup插值生成虚拟样本扩充训练集,比较随机森林、Bagging与梯度提升三种集成模型,并用SHAP、相关分析、部分依赖图和Williams图解释模型;结果显示随机森林在原始数据上测试集表现最好(MAE 4.568、RMSE 6.122、R² 0.718),虚拟样本从100增至10000时三种模型的R²由约0.66–0.70升至0.90以上并趋于饱和,SHAP识别出Chi4n、Chi3v、Chi1n、Chi4v等拓扑描述符与MolMR为最重要特征。

  8. 面向早期自闭症筛查的可靠性导向混合深度学习框架

    该研究提出一个将静态眼周图像ResNet18分类器与由ResNet50、EfficientNet-B0和DenseNet121组成的面部图像集成分类器以OR逻辑并联融合的混合深度学习框架,用于自闭症谱系障碍的早期风险提示与转诊支持;眼周模型敏感度为90%,面部集成模型敏感度为87.1%、AUC为0.948,在条件独立假设下解析估算的系统级敏感度为0.9871,对应联合假阴性概率约1.29%,同时系统特异度降至约0.807。

已读完全部报道