摘要
将多个机器学习模型组合成集成学习（ensemble）已被证实能够显著优于构成该集成的各个独立模型。其原因在于，不同模型之间可以相互补充，从而做出更优的决策。与传统的简单模型组合方式不同，本文提出一种自 paced 集成学习（Self-Paced Ensemble Learning, SPEL）框架，其中各模型在多个迭代过程中相互学习。在基于伪标签（pseudo-labeling）的自 paced 学习过程中，除了提升各个模型自身的性能外，该集成系统还能逐步获取目标域的知识。为验证所提 SPEL 方法的通用性，我们在三个音频处理任务上进行了实验。实验结果表明，SPEL 显著优于传统的基准集成模型。此外，我们还发现，仅对单个模型应用自 paced 学习的效果较差，这进一步说明：在集成框架中，模型之间确实存在相互学习和知识共享的机制。