#ensembleLearning - Twitter Hashtag

1 day ago

Our GA-optimized Ensemble model achieved an average 91.61% accuracy in predicting $SKY daily closing prices over the latest 3-day evaluation period. The results demonstrate the effectiveness of ensemble learning combined with evolutionary optimization. #SKY #EnsembleLearning #GeneticAlgorithm #AI #MachineLearning #Crypto #Forecasting

0

20

Jansen.AI

@jansen_ai

10 days ago

🚀 TON Prediction Summary Average accuracy: 95.67% 📈 Model: ACO + Ensemble Period: 2026-06-13 → 2026-06-16 Consistent forecasting performance across volatile price action. #TON #Crypto #AITrading #AntColonyOptimization #EnsembleLearning #MachineLearning

0

2

0

24

Applied Sciences MDPI

@Applsci

about 1 month ago

📢 #highlycited paper 📚 #EnsembleLearning-Based #WeedDetection from a Duck’s Perspective Using an #AquaticDrone in #RicePaddies † 🔗 https://t.co/mDn5GFYGg6 👨‍🔬 by Soma Asuka et al. 🏫 Tokyo University of Agriculture and Technology #semanticsegmentation #imagedataset

Applsci's tweet photo. 📢 #highlycited paper
📚 #EnsembleLearning-Based #WeedDetection from a Duck’s Perspective Using an #AquaticDrone in #RicePaddies †
🔗 https://t.co/mDn5GFYGg6
👨‍🔬 by Soma Asuka et al.
🏫 Tokyo University of Agriculture and Technology
#semanticsegmentation #imagedataset https://t.co/YFHc4DBD36

0

2

1

0

50

Jansen.AI

@jansen_ai

about 2 months ago

📊 $OKB Price Prediction Update: Our SA-optimized Ensemble model hit a high precision mark, achieving an average accuracy of 98.37% for recent daily close prices. Reliable forecasting for the OKX ecosystem! 🟦📈 #OKB #OKX #CryptoPredictions #EnsembleLearning #AI

0

2

0

37

Information MDPI @InformationMDPI

3 months ago

🎯 #LLMs are powerful but imperfect. #EnsembleLearning combines multiple models to fix bias. 🤝Read #HighlyCitedArticle "Ensemble Large Language Models: A Survey" by Ibomoiye Domor Mienye and Theo G. Swart. See more details at: https://t.co/HOkJv4GLVS #NLP #AI @ComSciMath_Mdpi

InformationMDPI's tweet photo. 🎯 #LLMs are powerful but imperfect. #EnsembleLearning combines multiple models to fix bias.

🤝Read #HighlyCitedArticle "Ensemble Large Language Models: A Survey" by Ibomoiye Domor Mienye and Theo G. Swart.

See more details at:
https://t.co/HOkJv4GLVS
#NLP #AI
@ComSciMath_Mdpi https://t.co/8QSlmMy4NZ

0

3

1

0

48

diwanshu.gg @TheRealDiwanshu

3 months ago

Day 68 of ML: Learned AdaBoost step-by-step . [Part-1] from decision stumps to weight updates and upsampling. Weak learners combining into a strong model is powerful. github : [https://t.co/Y1CwCfAcZX] #Day68 #100DaysOfML #BuildInPublic #AdaBoost #Boosting #EnsembleLearning

1

6

0

58

diwanshu.gg @TheRealDiwanshu

3 months ago

day 66 of ML !! Single model: overfits Bagging: stabilizes Today’s lesson — multiple weak models > one strong model. checkout the code : [https://t.co/gFeP3MzKBp] #MachineLearning #DataScience #AI #EnsembleLearning #MLJourney #BuildInPublic

TheRealDiwanshu's tweet photo. day 66 of ML !!

Single model: overfits
Bagging: stabilizes
Today’s lesson — multiple weak models > one strong model.

checkout the code : [https://t.co/gFeP3MzKBp]

#MachineLearning #DataScience #AI #EnsembleLearning #MLJourney #BuildInPublic https://t.co/OAa5Sx2ysC

1

5

1

0

82

Annals of Computer Science and Information Systems @annals_csis

6 months ago

Providing a better understanding of the dynamics of the COVID-19 #pandemic and for informed decision-making under uncertainty: “A novel #ensemblelearning technique of #shallowmodels applied on a COVID-19 dataset“ by Diogen Babuc. ACSIS Vol. 39 p. 537–542; https://t.co/Lt4f66w33i

annals_csis's tweet photo. Providing a better understanding of the dynamics of the COVID-19 #pandemic and for informed decision-making under uncertainty: “A novel #ensemblelearning technique of #shallowmodels applied on a COVID-19 dataset“ by Diogen Babuc. ACSIS Vol. 39 p. 537–542; https://t.co/Lt4f66w33i https://t.co/n5ZYqiKGbS

1

6

5

0

75

Omkar Kashid @Omkar_Kashid_

8 months ago

Day 78 - #DataScience Journey : -> Today, I started Ensemble Learning! 🚀 -> The genius idea: combining "weak learners" to create one super-stable model. 🧠 -> Focused on Bagging (like Random Forest) and the power of Boosting (AdaBoost, XGBoost, etc.). #ML #EnsembleLearning

2

7

0

861

Dr. Ganapathi Pulipaka 🇺🇸

@gp_pulipaka

8 months ago

Top Books on #EnsembleLearning! #BigData #Analytics #DataScience #AI #MachineLearning #IoT #IIoT #Python #RStats #TensorFlow #Java #JavaScript #ReactJS #GoLang #CloudComputing #Serverless #DataScientist #Linux #Books #Programming #Coding #100DaysofCode https://t.co/BdYdNaLQuK

gp_pulipaka's tweet photo. Top Books on #EnsembleLearning! #BigData #Analytics #DataScience #AI #MachineLearning #IoT #IIoT #Python #RStats #TensorFlow #Java #JavaScript #ReactJS #GoLang #CloudComputing #Serverless #DataScientist #Linux #Books #Programming #Coding #100DaysofCode
https://t.co/BdYdNaLQuK https://t.co/zY8nRyLl1N

0

2

1

232

Annals of Computer Science and Information Systems @annals_csis

11 months ago

Presenting a framework for an #AI-enabled bicycle-sharing system, to predict the count of bicycle rentals: “AI-driven #rentalbicyclesystem: An #Ensemblelearning approach“ by CK Long, TTT Hoang, GJ Rinco'n Aponte, V. Puri. ACSIS Vol. 38 p. 35–39; https://t.co/IdoVb3P1rg

annals_csis's tweet photo. Presenting a framework for an #AI-enabled bicycle-sharing system, to predict the count of bicycle rentals: “AI-driven #rentalbicyclesystem: An #Ensemblelearning approach“ by CK Long, TTT Hoang, GJ Rinco'n Aponte, V. Puri. ACSIS Vol. 38 p. 35–39; https://t.co/IdoVb3P1rg https://t.co/MfvWqW4hhH

6

2

0

56

haelangdal

@hgkim5055

about 1 year ago

1/ Week 5 of Mira is live! Theme: Can AI give us the right answers? How accurate are they? Let’s dive into hallucinations and Mira’s solution. #MiraNetwork #AI #LLM #EnsembleLearning #Hallucination #ConsensusAI

haelangdal

@hgkim5055

about 1 year ago

Mira network 5주차 Voice of realm 5주차 미라의 대장경 같이 떠나 보실까요? 5주차 대장경의 주제는 과연 AI는 우리에게 올바른 대답을 해줄까? 얼만큼 정확한 대답을 해줄까입니다 제가 Mira network 알아보기 4탄까지 올리면서 지속적으로 이야기했던 부분인데 "환각"이 어느 정도 수준까지 나타나는지에 대한 이야기죠 Q: 미국 연방준비은행이 비트코인을 지불 수단으로 채택했다며 곧 비트코인이 $100000K? 라는 질문을 Mira에게 해 보았습니다 A: 미국 연방준비은행 Fed가 비트코인을 지불 수단으로 채택할 준비를 거의 마쳤으며 비트코인을 지불 수단으로 채택하는 것은 피할 수 없는 물결이다. 그래서 비트코인이 곧 $1,000,000로 상승 할 것이다 아주 꿈만 같은 이야기고 이게 "환각"이 아니었으면 좋겠다고 생각하지만 우선 Fed는 비트코인을 지불 수단으로 인정할 생각이 없습니다. 다만 Stable에 관해서는 관대한 입장을 보이고 있죠. <왜 이런 환각이 일어나는 것일까요?> 혹시 GPT나 Gemini를 쓰시면서 원하는 답변이 나올 때까지 질문을 해보신 적 있으신가요? 또는 GPT나 Gemini 같은 AI를 탈옥 시키기 위해 여러 가지 시도들을 해보신 분들이 있을 것입니다전 세계 방대한 데이터 셋을 가지고 그것이 옳고 그른지에 대해서 100%를 달성한다는 것이 어려운 이유죠. 저 같은 사람 때문입니다. GPT를 쓰시다보면 분명 틀린 답을 내놓았다고 했음에도 불구하고 몇 번을 물어도 동일한 대답을 내놓거나 아예 검증을 하지 않고 그냥 저희가 물어본 자료들을 사실로 인식하는 "환각" 현상들도 존재합니다 또는 사람들이 잘 물어보지 않는 내용들은 아직까지 학습이 잘 되어 있지 않아서 더 "환각"이 많이 일어나는 모습들을 보입니다. 규약이나 법규를 해석하라고 했더니 저 같은 사람 아니면 거의 어볼 일이 없는 내용이다보니 정확도가 떨어지는 것이죠. 그렇다면 Mira는 이것을 어떻게 해결하려고 하는 것일까요? <Mira의 다중 모델 합의 접근 방식> Mira는 여러 개의 독립적 AI 모델들에게 동일한 입력에 대해 개별적으로 추론 및 답변을 수행한 뒤 그 결과를 "합의" (Consensus) 방식으로 집계하여 최총적인 결과물을 결정하는 메커니즘 입니다 이런 방식의 예시를 가장 잘 설명 해주신 분의 글이 종명님인 것 같은 종명님의 5주차 대장경 참여 글을 읽어보시면 좋을 것 같습니다 구체적인 작동 원리를 살펴보면 1) Claim 변환 원본 텍스트를 논리적 단위의 "Claim"으로 분할, 예를 들면 "X의 시장 점유율은 30%다" 가 하나의 논리 단위가 되기 때문에 이를 분해하여 검증하는 Claim으로 바꾸는 것이죠 2) 노드 할당 변환된 각 Claim을 네트워크에 존재하는 여러 노드 (AI 모델)로 샤딩을 진행 3) 개별 검증 대규모 LLM, 도메인 특화 모델, Retriveal -augmented 모델 등등을 활용하여 여러 모델로 검증을 실시 4) 합의 집계 다수결, 가중합, 기간 가중치 등의 알고리즘을 사용하여 최종적으로 100%의 절대 합의를 도출 (여기서 합의 임계값 조정 난이도를 정해야함) 5) 최종 출력 및 인증서 (Certificate) 의 순서이죠 이렇게 만들어진 Mira network의 이론적인 근간은 현재 pre - LLM 시절에 Hallucination을 없애기 위해 제시되었던 방법들을 차용한 것입니다 앙상블 학습 (Ensemble Learning), 게임이론, 통계적 검증 등등의 이론들을 바탕으로 Mira network의 다중모델합의가 탄생한 것이죠 <Mira의 다중 모델 합의 장단점은?> 장점 1) 환각, 편향이 대폭 감소 2) 외부 인프라 의존도 축소 3) 다양한 도메인 모델 간 시너지 4) 검증 과정 투명성 확보 단점 1) 샤딩 오버헤드: 과도한 Latency 유발 가능 2) 합의 임계값 조정 난이도에 따라 네트워크의 안정성 및 Latency 우려 3) 비용, 스테이킹 부담 등등이 있습니다 아마 다음 편에 다루게 될 내용은 단점 중에서 비용, 스테이킹 부담이 될 것 같은데 이 부분은 Mira network가 성공하기 위해서 토큰이 어떤 식으로 쓸모 있는 flywheel을 가질지, usecase를 가질 지를 커뮤니티도 함께 고민해보아야 한다는 것을 의미한다고 봅니다 @miranetwork @MiraNetworkCN @Edward__Park @jeg6322 @hyeon__dev @karansirdesai @stone_gettings #voiceofrealm #mira

hgkim5055's tweet photo. Mira network 5주차 Voice of realm

5주차 미라의 대장경 같이 떠나 보실까요?

5주차 대장경의 주제는 과연 AI는 우리에게 올바른 대답을 해줄까? 얼만큼 정확한 대답을 해줄까입니다

제가 Mira network 알아보기 4탄까지 올리면서 지속적으로 이야기했던 부분인데 "환각"이 어느 정도 수준까지 나타나는지에 대한 이야기죠

Q: 미국 연방준비은행이 비트코인을 지불 수단으로 채택했다며 곧 비트코인이 $100000K?

라는 질문을 Mira에게 해 보았습니다

A: 미국 연방준비은행 Fed가 비트코인을 지불 수단으로 채택할 준비를 거의 마쳤으며 비트코인을 지불 수단으로 채택하는 것은 피할 수 없는 물결이다. 그래서 비트코인이 곧 $1,000,000로 상승 할 것이다

아주 꿈만 같은 이야기고 이게 "환각"이 아니었으면 좋겠다고 생각하지만 우선 Fed는 비트코인을 지불 수단으로 인정할 생각이 없습니다. 다만 Stable에 관해서는 관대한 입장을 보이고 있죠.

<왜 이런 환각이 일어나는 것일까요?>

혹시 GPT나 Gemini를 쓰시면서 원하는 답변이 나올 때까지 질문을 해보신 적 있으신가요? 또는 GPT나 Gemini 같은 AI를 탈옥 시키기 위해 여러 가지 시도들을 해보신 분들이 있을 것입니다전 세계 방대한 데이터 셋을 가지고 그것이 옳고 그른지에 대해서 100%를 달성한다는 것이 어려운 이유죠.

저 같은 사람 때문입니다. GPT를 쓰시다보면 분명 틀린 답을 내놓았다고 했음에도 불구하고 몇 번을 물어도 동일한 대답을 내놓거나 아예 검증을 하지 않고 그냥 저희가 물어본 자료들을 사실로 인식하는 "환각" 현상들도 존재합니다

또는 사람들이 잘 물어보지 않는 내용들은 아직까지 학습이 잘 되어 있지 않아서 더 "환각"이 많이 일어나는 모습들을 보입니다.

규약이나 법규를 해석하라고 했더니 저 같은 사람 아니면 거의 어볼 일이 없는 내용이다보니 정확도가 떨어지는 것이죠.

그렇다면 Mira는 이것을 어떻게 해결하려고 하는 것일까요?

<Mira의 다중 모델 합의 접근 방식>

Mira는 여러 개의 독립적 AI 모델들에게 동일한 입력에 대해 개별적으로 추론 및 답변을 수행한 뒤 그 결과를 "합의" (Consensus) 방식으로 집계하여 최총적인 결과물을 결정하는 메커니즘 입니다

이런 방식의 예시를 가장 잘 설명 해주신 분의 글이 종명님인 것 같은 종명님의 5주차 대장경 참여 글을 읽어보시면 좋을 것 같습니다

구체적인 작동 원리를 살펴보면
1) Claim 변환
원본 텍스트를 논리적 단위의 "Claim"으로 분할, 예를 들면 "X의 시장 점유율은 30%다" 가 하나의 논리 단위가 되기 때문에 이를 분해하여 검증하는 Claim으로 바꾸는 것이죠

2) 노드 할당
변환된 각 Claim을 네트워크에 존재하는 여러 노드 (AI 모델)로 샤딩을 진행

3) 개별 검증
대규모 LLM, 도메인 특화 모델, Retriveal -augmented 모델 등등을 활용하여 여러 모델로 검증을 실시

4) 합의 집계
다수결, 가중합, 기간 가중치 등의 알고리즘을 사용하여 최종적으로 100%의 절대 합의를 도출 (여기서 합의 임계값 조정 난이도를 정해야함)

5) 최종 출력 및 인증서 (Certificate) 의 순서이죠

이렇게 만들어진 Mira network의 이론적인 근간은 현재 pre - LLM 시절에 Hallucination을 없애기 위해 제시되었던 방법들을 차용한 것입니다

앙상블 학습 (Ensemble Learning), 게임이론, 통계적 검증 등등의 이론들을 바탕으로 Mira network의 다중모델합의가 탄생한 것이죠

<Mira의 다중 모델 합의 장단점은?>
장점
1) 환각, 편향이 대폭 감소
2) 외부 인프라 의존도 축소
3) 다양한 도메인 모델 간 시너지
4) 검증 과정 투명성 확보

단점
1) 샤딩 오버헤드: 과도한 Latency 유발 가능
2) 합의 임계값 조정 난이도에 따라 네트워크의 안정성 및 Latency 우려
3) 비용, 스테이킹 부담

등등이 있습니다
아마 다음 편에 다루게 될 내용은 단점 중에서 비용, 스테이킹 부담이 될 것 같은데

이 부분은 Mira network가 성공하기 위해서 토큰이 어떤 식으로 쓸모 있는 flywheel을 가질지, usecase를 가질 지를 커뮤니티도 함께 고민해보아야 한다는 것을 의미한다고 봅니다

@miranetwork @MiraNetworkCN @Edward__Park @jeg6322 @hyeon__dev @karansirdesai @stone_gettings

#voiceofrealm #mira

23

58

3

4K

3

7

0

235

Information MDPI @InformationMDPI

about 1 year ago

Read #HighlyAccessedArticle “Optimized Ensemble Learning Approach with Explainable AI for Improved Heart Disease Prediction” by Ibomoiye Domor Mienye and Nobert Jere. See more details at: https://t.co/39XFIjNsVs #heartdisease #ensemblelearning @ComSciMath_Mdpi

InformationMDPI's tweet photo. Read #HighlyAccessedArticle “Optimized Ensemble Learning Approach with Explainable AI for Improved Heart Disease Prediction” by Ibomoiye Domor Mienye and Nobert Jere.

See more details at:
https://t.co/39XFIjNsVs
#heartdisease
#ensemblelearning
@ComSciMath_Mdpi https://t.co/ZSfojtVfh8

0

2

1

0

61

Saranya @sarrranyaa

about 1 year ago

Today > Completed the AdaBoost algorithm > Adjusting weights, boosting weak learners, and focusing on misclassified samples to improve accuracy. #AdaBoost #MachineLearning #EnsembleLearning

sarrranyaa's tweet photo. Today
> Completed the AdaBoost algorithm
> Adjusting weights, boosting weak learners, and focusing on misclassified samples to improve accuracy.

#AdaBoost #MachineLearning #EnsembleLearning https://t.co/jCtCM8IKFN

0

3

0

128

Future Internet_MDPI @FutureInternet6

about 1 year ago

🔔#MDPIfutureinternet [New Editor's Choice Articles in the Second Half of 2023] 📌Title: Enhancing Collaborative Filtering-Based #RecommenderSystem Using #SentimentAnalysis 🔗 https://t.co/aOw5gftN5x #deeplearning #collaborativefiltering #ensemblelearning @ComSciMath_Mdpi

FutureInternet6's tweet photo. 🔔#MDPIfutureinternet [New Editor's Choice Articles in the Second Half of 2023]

📌Title: Enhancing Collaborative Filtering-Based #RecommenderSystem Using #SentimentAnalysis

🔗 https://t.co/aOw5gftN5x

#deeplearning #collaborativefiltering #ensemblelearning

@ComSciMath_Mdpi https://t.co/o36cE0fS2Q

0

2

0

37

J.UCS News @jucsnews

about 1 year ago

We gladly present you our new J.UCS issue today! Find five exciting articles on current topics like #JavaGenerics #ModelDrivenEngineering #EnsembleLearning #RecommenderSystems and #ConvolutionalNeuralNetwork here: https://t.co/gw2JLT38Jx We thank the authors and reviewers!

jucsnews's tweet photo. We gladly present you our new J.UCS issue today! Find five exciting articles on current topics like #JavaGenerics #ModelDrivenEngineering #EnsembleLearning #RecommenderSystems and #ConvolutionalNeuralNetwork here:
https://t.co/gw2JLT38Jx
We thank the authors and reviewers! https://t.co/CAZJzz5Qm6

0

2

0

43

Shivam mohite @Shivammohite14

over 1 year ago

Day 81/100 🚀 ✅ Learned and implemented Ensemble Learning 🎯 ✅ Did a chest and triceps workout 💪 #100DaysOfCode #ML #EnsembleLearning #AI #Coding #Fitness

Shivammohite14's tweet photo. Day 81/100 🚀

✅ Learned and implemented Ensemble Learning 🎯
✅ Did a chest and triceps workout 💪
#100DaysOfCode #ML #EnsembleLearning #AI #Coding #Fitness https://t.co/TjquBjnbAs

0

3

0

46

dovu @Nancy305996009

over 1 year ago

🚀Today, I explored Ensemble Learning 🔹 Voting Ensemble – Combines multiple models 🔹 Bagging – Reduces variance with random subsets 🔹 Bagging Classifier – For classification tasks 🔹 Bagging Regressor – For regression problems #MachineLearning #EnsembleLearning #DataScience