- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
多模型融合权重如何训练_单因子模型
结构化多因子风险模型首先对收益率进行简单的线性分解，分解方程中包含四个组成部分：股票收益率、因子暴露、因子收益率和特质因子收益率。 那么，第只股票的线性分解如下所示： r j = x 1 f 1 + x 2 f 2 + x 3 f 3 + x 4 f 4 ⋅ ⋅ ⋅ ⋅ x K f K + u j r_j=x_1f_1+x_2f_ 2+x_3f_3+x_4f_4 ····x_Kf_K+u_j rj=x1f1+x2f2+x3f3+x4f4⋅⋅⋅⋅xKfK+uj 现在我们假设每只股票的特质因子收益率与共同因子收益率不相关 组合权重优化 组合权重优化在多因子模型中起到了至关重要的作用。组合权重优化的目的在于将组合的风险特征完全定量化，使得投资经理可以清楚的了解组合的收益来源和风险暴露。 ，发现组合满足行业中性的约束： 同时也满足风格中性的约束： 如果我们想使得组合在行业和风格因子上的风险敞口较基准而言有所暴露，我们直接修改约束条件就行，比如我们想在价值因子（Value）上多暴露
1.6K20编辑于 2022-11-08 CLIP, DINO等多模型融合DreamSim，让电脑“看懂”图片有多像！模型融合成为热门！
DreamSim不是要另起炉灶，而是很聪明地把已有的老牌嵌入模型（CLIP, DINO, OpenCLIP）拿来，融合起来。就像请了一个专家团：CLIP 擅长语义理解（知道是啥）。 但真正的魔法在这里：这个融合后的结果，会用海量的人类主观判断数据进行微调。这就是独门秘籍。模型不仅仅是从原始数据中学习，而是在学习像我们人类一样去看图像。 他们收集了大约2万份这种人类判断高度一致的数据。模型就被训练着让它自己计算出的“距离分数”，能够符合人类的选择。这简直就是在学着让它自己的 “感知”和我们保持一致。 =True, device="cuda")# 加载并预处理图片img1 = preprocess(Image.open("我的狗.jpg"))img2 = preprocess(Image.open(" distance = model(img1, img2)print(f"电脑觉得这两张狗的相似度分数是：{distance.item()}")嵌入向量助力海量检索（高效专业）如果你有一个包含成千上万图片的数据库
49810编辑于 2025-10-16- 来自专栏机器之心
苹果发现原生多模态模型Scaling Laws：早融合优于后融合，MoE优于密集模型
此外，对于多模态 Scaling Laws 的研究表明，随着计算预算的增加，早融合和后融合的计算最优模型性能相似。 NMM 的 Scaling Laws 早融合和后融合模型的 Scaling Laws。 图 2 左图展示了早融合 NMM 在多模态交织数据集、图像 - 描述数据集和文本数据集上的平均最终损失。 该团队在图 2（右）中对后融合模型进行了类似的研究，并观察到了类似的 scaling 行为。 这里使用的初始模型是 DCLM-1B，该模型已使用超过 2T 个 token 进行训练。图 8 表明，当训练时间更长时，原生多模态模型可以缩小与初始化模型的差距。 考虑到预训练的成本，这些结果表明，为了在多模态基准测试中实现相同性能，原生训练可能是更有效方法。 迈向多模态专业化 研究证明了在固定计算预算下，早融合模型的性能与后融合模型相当。
52110编辑于 2025-04-13 - 来自专栏PPV课数据科学社区
多模型融合推荐算法——从原理到实践
但是其中一类方法非常特殊，我们称为多模型融合算法。融合算法的意思是，将多个推荐算法通过特定的方式组合的方法。融合在推荐系统中扮演着极为重要的作用，本文结合达观数据的实践经验为大家进行系统性的介绍。 常见的多模型融合算法 达观数据的众多实践发现，多模型融合算法可以比单一模型算法有极为明显的效果提升。但是怎样进行有效的融合，充分发挥各个算法的长处？ 2） 交叉融合法 交叉融合常被称为Blending方法，其思路是在推荐结果中，穿插不同推荐模型的结果，以确保结果的多样性。 形成L2层的特征向量，并使用Test pig训练L2层模型 使用全部训练样本（Tain pig + Test pig）重新训练L1层模型 将待测样本Test抽取特征后先后使用上述训练好的L1层模型生成预测结果 ，再把这些结果通过L2层Ensemble模型来生成最终的预测结果 达观在使用过程中的一些心得如下 1）算法融合的特征除了算法预测值之外，也可以加入场景特征。
3.4K80发布于 2018-04-24 - 来自专栏达观数据
多模型融合推荐算法在达观数据的运用
多模型融合推荐算法在达观数据的运用 研发背景 互联网时代也是信息爆炸的时代，内容太多，而用户的时间太少，如何选择成了难题。 但是其中一类方法非常特殊，我们称为多模型融合算法。融合算法的意思是，将多个推荐算法通过特定的方式组合的方法。融合在推荐系统中扮演着极为重要的作用，本文结合达观数据的实践经验为大家进行系统性的介绍。 常见的多模型融合算法 达观数据的众多实践发现，多模型融合算法可以比单一模型算法有极为明显的效果提升。但是怎样进行有效的融合，充分发挥各个算法的长处？ 2） 交叉融合法 交叉融合常被称为Blending方法，其思路是在推荐结果中，穿插不同推荐模型的结果，以确保结果的多样性。 这种方式将不同算法的结果组合在一起推荐给用户 ? ，再把这些结果通过L2层Ensemble模型来生成最终的预测结果 达观在使用过程中的一些心得如下 1）算法融合的特征除了算法预测值之外，也可以加入场景特征。
1.9K60发布于 2018-03-30 - 来自专栏技术汇总专栏
基于大模型的多模态数据融合实战应用
基于大模型的多模态数据融合实战应用引言多模态数据融合是当前人工智能（AI）研究的热门领域，涉及文本、图像、音频、视频等多种数据类型的集成。 随着大型语言模型（LLM）和多模态大模型（如GPT-4V、BLIP-2、Flamingo等）的发展，AI 在处理多模态数据的能力得到极大提升。 本文将探讨基于大模型的多模态数据融合方法，并通过 Python 代码示例演示如何构建多模态应用。 基于大模型的多模态数据融合案例我们以 BLIP-2（Bootstrapped Language-Image Pre-training） 为例，展示如何使用大模型进行图像和文本的多模态融合。 BLIP-2 是一种高效的图文理解模型，它利用 Vision Transformer（ViT）+ 预训练语言模型（如 T5、GPT）实现图文对齐和融合。1.
4.4K10编辑于 2025-03-03 - 来自专栏Python与算法之美
超越stacking, 使用optuna对多模型进行加权融合
多模型加权融合是一个常见的提升机器学习效果的方案。 但是各个模型的权重如何确定呢？ 由于optuna是一个强大的不可微问题调优工具，我们可以使用它来寻找模型融合的权重，直接对auc,acc等不可微的评价指标进行优化，当给予足够的搜索次数时，其结果相比stacking ensemble通常更加有竞争力 make_classification(n_samples=2000,n_features=20, n_informative=12,n_redundant=4,n_repeated=0,n_classes=2, print("stacking_score:",get_test_auc(stacking)) stacking_score: 0.9304879610655739 可以看到，stacking模型融合方案相比于最好的 optuna_ensemble_score:', test_score(best_params)) optuna_ensemble_score: 0.9320248463114754 nice，optuna多模型融合方案在测试集
1.5K41编辑于 2023-02-23 融合Transformer与CNN的多模态时间序列预测模型
引言:融合Transformer与CNN的多模态时间序列预测模型 在人工智能落地工业场景的进程中，时间序列预测始终是核心痛点——无论是设备监测的故障预警、气象数据的灾害预判，还是股票市场的趋势分析，传统模型要么难以捕捉长时依赖 而Transformer的注意力机制擅长挖掘长序列关联，CNN则在局部特征提取上表现优异，将两者融合构建多模态预测模型，成为突破性能瓶颈的关键方向。 本文将原创改进一款融合Transformer与CNN的多模态时间序列预测模型，从架构设计、代码实现到NASA数据集实战，全程拆解落地流程。 ，容易出现梯度消失或信息衰减，无法精准挖掘远期关联特征； 多模态数据适配缺失：实际工业场景中，时序数据常伴随多源模态（如设备监测的振动数据+温度数据、气象预测的气压数据+湿度数据），传统模型难以有效融合跨模态信息 二、原创模型架构：Transformer与CNN的融合设计 本次改进模型的核心思路是：通过CNN分支提取各模态时序数据的局部关键特征，通过Transformer分支捕捉跨时间步的长时关联，最后通过融合层整合多模态特征并输出预测结果
77310编辑于 2025-12-31- 来自专栏机器学习AI算法工程
全球AI挑战-场景分类的比赛源码(多模型融合)
开始训练 找任一个classifier 开头的(classifier_base 除外)脚本进行运行，这里包含VGG16/19、Xception、Inception-V3、Inception-Resnet-V2等经典模型 Fine-tune时松太开，可能导致训练耗时，也可能导致机器带不动；绑太紧可能导致Fixed的权重参数扼制了模型的学习能力。建议是在机器能扛得住的基础下，尽可能松绑多一些。 提高2~5个百分点 模型选择很重要！！！ 糟糕的模型训练几天几夜，可能赶不上优势模型训练几个epoch。VGG16=>Xception提高5~8个百分点 Loss降不下去时尝试调低LR！！！ 训练过程中一直没有过拟合，要从两方面考虑： 模型太简单，拟合能力不足，这时要考虑增强网络复杂度 数据增强程度太大，学不到某些特征 模型集成！！！ 单模型没有什么提升空间时，要尝试将多个单模型进行集成。 集成的方式可以选择投票法、均值法、按照模型Acc加权法等等。提高0.5~1.5个百分点 预测数据增强！！！
1.1K21发布于 2019-10-28 - 来自专栏机器学习与统计学
玩转机器学习：基于多损失函数的模型融合
基于多损失函数的模型融合 原理其实很简单，利用不同损失函数的特性，结合使用不同损失函数分别训练多个模型，将多个训练得到的模型结果进行加权平均或分段预测。 这里我们使用的是MAE 和 MSE： 平均绝对差值(MAE) 绝对误差的平均值，通常用来衡量模型预测结果对标准结果的接近程度。 ? 来源见水印 可以看出，MSE对误差进行了平方，这就会放大误差之间的差距，也即加大对异常值的惩罚，在高分段和低分段能获得更好的表现，使用MAE的模型在中分段能获得更好的表现。 因此可以结合使用以MSE和MAE为损失函数的模型，分段进行预测。 注：单模型而言，如果数据的异常值对于业务是有用的，我们希望考虑到这些异常值，那么就用MSE。 模型融合实例 书中使用lightgbm建模并进行融合，只列出关键代码。 ?
1.9K30发布于 2020-06-16 - 来自专栏pydata
模型融合
具体到损失函数本身的选择，如果选择平方损失函数，差值就是所说的残差 让损失函数沿着梯度方向下降，就是gbdt的gb的核心，利用损失函数的负梯度在当前模型的值作为回归问题提升树算法中的残差的近似值去拟合一个回归树 gbdt每轮迭代的时候，都去拟合损失函数在当前模型下的负梯度。 Adaboost是通过提升错分数据点的权重来定位模型的不足，而Gradient Boosting是通过算梯度来定位模型的不足。 2.xgboost在目标函数中显示的加上了正则化项 3.GB 中使用 Loss Function 对 f(x) 的一阶导数计算出伪残差用于学习生成fm，xgboost 不仅使用到了一阶导数，还使用二阶导数
60530发布于 2018-08-02 - 来自专栏mathor
模型融合
一般来说，通过融合多个不同模型的结果，可以提升最终的成绩，所以这以方法在各种数据竞赛中应用非常广泛。模型融合又可以从模型结果、模型自身、样本集等不同的角度进行融合。 # 加权融合，权重的默认值是(1/n)，n为模型个数，相当于默认使用平均加权融合 def weighted_method(test_pred1, test_pred2, test_pred3, w = Weighted_pre MAE: 0.0575 上述加权融合的技术是从模型结果的层面进行的，就是让每个模型跑一遍结果，然后对所有的结果进行融合，当然融合的方式不只有加权平均，还有例如平均、取中位数等 回归任务一般将多个模型的结果进行加权融合，分类任务一般采用投票法获取最终的结果 2. 模型自身的融合方面， 我们学习了Stacking和Blending的原理及具体实现方法，介绍了mlxtend库里面的模型融合工具 ?
2K20发布于 2020-04-08 - 来自专栏点云PCL
多帧数据融合思路
一.对数据的输入 A、如何获取你的点云数据（使用什么设备，查找相应设备的介绍，设备的精度、稳定度、抗噪能力、数据的可视深度范围等，采用无标记点融合，或标记点融合；要考虑多帧数据之间的旋转角度）； B、如何将你的数据对象从环境中分割出来 （识别分割、手动分割CC），深度学习若能做分割，并且针对特定对象的效果还行的话，再结合PCL做多帧数据的融合，是一个创新点（前提是提高效率）； C、对数据的输入输出要掌握，一般程序都是一样的，复制粘贴即可 二、对数据的预处理（融合肯定至少两帧数据） A、数据是否有噪声：根据噪声的类别，选择合适的算法进行去除（直通滤波、条件滤波、统计滤波、双边滤波等等）； B、数据是否需要下采样：体素栅格滤波（参数的设置， 根据自己的目的，参考北航出的国内唯一一本PCL的书，同时兼顾PCL官网的更新内容）； B、精配准执行前的准备：是否建立空间拓扑关系（一般需要建立，加快计算速度）； C、是否需要剔除错误点对（一般需要剔除，提高融合精度 书以及官网都可查阅）； D、执行计算，并输出精配准融合点云对象，输出精配R和T，输出精配时间，并可视化（保存或可视化都行）。
2.5K20发布于 2019-07-30 - 来自专栏全栈程序员必看
blender模型(sklearn模型融合)
几种方式融合 基本的模型融合组合及适用场景、优缺点等 什么是融合？ 构建并结合多个学习器来完成学习任务，我们把它称为模型融合或者集成学习。 基本的融合方式有： Blending Stacking 选择融合模型的模型有两点要求： 准确性 要求该模型的性能不能太差 差异性 选择模型一般是多个，要求这多个模型之间有差异，有差异才能通过融合模型发挥他们的优势 2、选一个基模型model_1，用train2、train3、train4、train5作为训练集，train1作为验证集，这样训练参数得到一个模型model_1_1，并用这个模型预测train1，这样 ； 4、再选基模型 mode_2 重复第2、3步骤。 ，这样就会有很多模型产生，也就是会形成多份“训练集Predictions”以及多份“测试集Predictions”，这样在第二层建立的模型及预测的结果相对会好一些。
1K30编辑于 2022-08-01 - 来自专栏AI智韵
【多模态大模型实战】 搭建DeepSeek Janus-Pro 7B 多模态模型，以及推理微调，推理后的模型融合
模型信息 Janus-Pro是DeepSeek最新开源的多模态模型，是一种新颖的自回归框架，统一了多模态理解和生成。 ，现已支持450+大模型与150+多模态大模型的训练（预训练、微调、人类对齐）、推理、评测、量化与部署。 目前ms-swift的主要能力包含： 模型类型：支持450+纯文本大模型、150+多模态大模型，All-to-All全模态模型的训练到部署全流程。 工具箱能力：除了对大模型和多模态大模型的训练支持外，还支持其推理、评测、量化和部署全流程。 模型评测：以EvalScope作为评测后端，支持100+评测数据集对纯文本和多模态模型进行评测。
4.2K10编辑于 2025-02-08 - 来自专栏全栈程序员必看
模型融合stacking实战
模型融合stacking的原理具体不再解释，有的博客已经解释很清楚了，还是附一张经典图吧， 直接上完整程序（根据后面的数据集下载地址可以下载数据集，然后直接运行程序）： # Load in our (0) # Mapping Embarked dataset['Embarked'] = dataset['Embarked'].map({'S': 0, 'C': 1, 'Q': 2} 14.454), 'Fare'] = 1 dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare'] = 2 ['Age'] <= 32), 'Age'] = 1 dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2 最终得到预测结果predictions，这个结果也就是融合后的预测结果。
58741编辑于 2022-07-25 - 来自专栏算法一只狗
从对比学习到密集定位：SigLIP 2 的多技融合之道
为此，论文提出 SigLIP 2，将多条先前独立发展的技术思路融会贯通，旨在全面提升模型的定位与稠密预测能力，同时保持其在分类与检索上的领先优势。 2.整体模型架构和技术论文中其实就是把多种trick运用到SigLIP中，使得整体的模型效果会比之前更好。 parallel prediction（并行预测所有 token，无因果掩码）； Referring expression 任务：给定区域框，生成该区域描述； Dense captioning 任务：对多区域同时生成区域级 多分辨率与保真宽高比（NaFlex）：使用了类似NaFlex中对于图像的处理，尽量保留原始图像的精度和尺寸3.模型实验效果零样本分类与检索：在 ImageNet、ObjectNet、ImageNet-v2 /ReaL、COCO/Flickr 检索等基准上，SigLIP 2 全面超越 SigLIP 及其他开源对比模型视觉-语言模型下游（VLM）：将 SigLIP 2 与 Gemma 2 2B LLM 结合，
97610编辑于 2025-07-11 - 来自专栏时空探索之旅
KDD 2025 | MDPNet：融合多尺度分解与扩散模型的时空预测
它巧妙地利用复杂系统的多尺度结构，来发现其内在动态所在的潜在空间 。首先，MDPNet包含了一个多尺度扩散自编码器，通过编码多尺度特征来引导扩散模型进行可靠的重构 。 因此，一个核心的开放性问题是：能否构建一个既能保留系统多尺度结构、又能缓解编码信息损失的潜在空间，以实现更精准的动力学预测？ 2. 其核心思想是，将编码器提取的多尺度潜在向量 作为条件，去引导扩散模型在不同时间步的去噪（重构）过程 。 以圆柱绕流为例，空间维度从 2×128×64 降至 3×128，降维超40倍。与传统数值方法（LBM）相比，其长期模拟的时间成本优势巨大，实现了数量级的加速。 图6：模型性能随潜在维度的变化。MDPNet（绿色）在更低的维度上达到了比基线模型更高的精度 多尺度分解的必要性：直接证据表明，MDPNet显式地解耦多尺度信息是提升性能的关键。
93110编辑于 2025-06-19 - 来自专栏啄木鸟软件测试
多模态大模型技术原理与实战(2)
oSoftMax函数：将多酚类输出值转转换为[0,1]之间的概率分布，且概率和为1. (2)只包含解码器的预训练语言模型，比如 ChatGPT。 (3)编码器和解码器都包括预训练语言模型，比如 BART。 1.第一个阶段:SFT，即有监督微调 ChatGPT 使用 GPT-3.5-turbo 作为其有监督微调的底座模型。这批数据的总量不大，但是其种类丰富，包含了基于各个任务的多轮对话数据。 这句话可以按以下思维逻辑分解:如果去掉余的两个苹果，剩下的苹果应该等分为2份，那么老大最后的苹果数量(26-2)/2=12个，老二分得的苹果比老大的多两个，则老二的苹果数量12+2=14个。 ·可以起到加速模型收敛的作用。 GPT-3 文本生成、多轮对话、机器翻译方面、智能问答具有优势。
58710编辑于 2024-09-10 - 来自专栏s09g的技术博客
多传感融合 Lidar and Radar Fusion
对于无人驾驶系统而言，多传感器已经是默认配置 一个简单的感知反馈模型其实只有两步：状态预测与测量更新 在多传感器条件下，各传感器之间想要同步反馈速度其实并无必要。
83920编辑于 2022-07-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号