AITOPAI热报

Bagging

general · First seen 2026-06-12 · Last seen 2026-10-06 · 10 mentions

Overview

Bagging（Bootstrap Aggregating，自助聚合）是一种经典的集成学习方法，通过对训练数据多次有放回抽样训练多个模型，再聚合其预测结果，以降低方差、提升稳定性。自提出以来，它一直是随机森林等算法的核心机制，当前研究正将其推向对抗鲁棒性、模型压缩与医疗诊断等新场景。

Bagging 的近期研究进展

  • Bagging使VC类对抗鲁棒学习样本复杂度降至线性：该理论工作证明，Bagging 可将 VC 类上对抗鲁棒学习的样本复杂度从以往的超线性水平降至线性，为集成方法在对抗场景下的样本效率提供了理论支撑。
  • 卷积神经网络集成预测中风：提升诊断准确性：研究将 CNN 与 Bagging 式集成结合用于中风预测，报告称集成策略有效提升了诊断准确性，体现了集成学习在医疗影像辅助诊断中的应用价值。
  • Predicting Early Alzheimer's Using Deep Neural Network and Ensemble ML Methodologies：该工作把深度神经网络与集成机器学习方法结合进行阿尔茨海默病早期预测，属于 Bagging 类方法在神经退行性疾病筛查方向的延续探索。
  • SCSB：从均匀先验到稀疏后验的集成学习压缩与校准方法：针对集成模型推理开销大的痛点，SCSB 提出从均匀先验到稀疏后验的压缩与校准方案，试图在保留 Bagging 集成收益的同时降低部署成本。
  • 研究评估在线 AutoML 管线中 IoT 网络投毒攻击对抗训练防御效果：研究考察了面向 IoT 网络的在线 AutoML 管线在投毒攻击下的表现，其中集成式防御与对抗训练的组合策略是评估重点之一。

    • 当前焦点与观察点

    综合近期文献，Bagging 相关研究呈现三条主线。其一是理论深化：对抗鲁棒样本复杂度被证明可降至线性，说明集成方法在安全场景下有可量化的样本效率优势。其二是医疗应用扩展：中风与阿尔茨海默病早期预测等工作显示，深度网络与 Bagging 式集成结合已成为提升诊断可靠性的常见范式。其三是工程化挑战：集成带来的训练与推理开销促生了 SCSB 这类压缩与校准方法，如何以稀疏化、蒸馏等手段保留集成收益，是落地部署的关键问题。此外，在 IoT 与在线 AutoML 等开放环境中，Bagging 类集成抵御投毒攻击的能力仍需更多实证检验，鲁棒性与效率的平衡将是后续观察重点。

    Coverage

    5 on file