Emotion Recognition from Speech based on Relevant Feature and Majority Voting
Khulna University of Engineering and Technology（库尔纳工程技术大学）
本文提出了一种基于多数表决技术的语音情感检测方法，该方法综合了多种机器学习技术。这项工作的贡献是在两个方面：首先，它选择了那些语音的特征，这是最有前途的分类，其次，它使用的多数表决技术，选择确切的情感类。在这里，多数表决技术已被应用于神经网络（NN），决策树（DT），支持向量机（SVM）和K-最近邻（KNN）。NN、DT、SVM和KNN的输入向量由各种声学和韵律特征组成，如基音、梅尔倒谱系数等。从语音信号中提取了许多特征，只选择了有希望的特征。为了考虑有希望的特征，使用了基于快速相关的特征选择（FCBF）和Fisher评分算法，并且仅选择这些算法都排名较高的特征。所提出的方法已经在柏林情感语音数据集[3]和电磁关节成像（EMA）数据集[4]上进行了测试。实验结果表明，多数表决技术取得了更好的准确性比个人机器学习技术。在社交机器人、智能聊天客户端、公司呼叫中心等应用中，该方法可以有效地识别人的情感。
2018-07-11 cs.AI cs.LG cs.SD
Error Rate Bounds and Iterative Weighted Majority Voting for Crowdsourcing
University of California（加利福尼亚大学）
众包已经成为人工计算标记大型数据集的有效和流行的工具。由于工人可能不可靠，因此在众包中通常将多个工人分配给一个任务，并聚合标签以获得高质量的结果。在本文中，我们提供了有限样本指数界的错误率（概率和期望）的一般聚集规则下的Dawid-Skene众包模型。该界可用于分析多种聚集方法，包括多数表决、加权多数表决和Oracle最大后验概率（MAP）规则。我们表明，甲骨文MAP规则近似优化我们的上界加权多数表决的平均错误率在一定的设置。我们提出了一个迭代加权多数表决（IWMV）方法，优化错误率界和近似的Oracle MAP规则。它的一步版本在错误率上有可证明的理论保证。IWMV方法直观，计算简单。模拟和真实数据的实验结果表明，IWMV的性能至少与最先进的方法相当，并且它具有比最先进的方法低得多的计算成本（大约快一百倍）。
2014-11-15 cs.HC cs.LG math.PR
Beyond Majority Voting: LLM Aggregation by Leveraging Higher-Order Information
Massachusetts Institute of Technology（麻省理工学院）；School of Engineering and Applied Sciences（工程与应用科学学院）；Harvard University（哈佛大学）；Data Science, The University of Chicago（数据科学，芝加哥大学）
本文提出Optimal Weight和Inverse Surprising Popularity两种算法，通过结合一阶和二阶信息，有效缓解多数投票的局限性，提升多智能体LLM聚合的可靠性。
2026-05-19 cs.AI cs.GT cs.LG
VoteGCL: Enhancing Graph-based Recommendations with Majority-Voting LLM-Rerank Augmentation
Center for AI Research, VinUniversity（越南 Vin 大学人工智能研究中心）；The Chinese University of Hong Kong（香港中文大学）；RMIT University（皇家墨尔本理工大学）；VNU University of Engineering and Technology（越南工程与技术大学）
本文提出利用LLM和物品文本描述增强交互数据，通过多数投票生成高置信度合成用户-物品交互，结合图对比学习框架缓解分布偏移和流行度偏差，实验显示提升准确率并减少流行度偏差。
2026-04-21 cs.IR cs.LG
Ensemble Learning for Healthcare: A Comparative Analysis of Hybrid Voting and Ensemble Stacking in Obesity Risk Prediction
本文比较了混合多数投票与集成堆叠方法在肥胖风险预测中的性能，发现堆叠方法在复杂数据分布中表现更优，而混合多数投票仍具稳健性。
2026-05-07 cs.AI cs.LG stat.AP
Distributed Sparse SGD with Majority Voting
Ozyegin University（厄兹耶金大学）；Imperial College London（帝国理工学院）
分布式学习，特别是分布式随机梯度下降（DSGD）的变体，被广泛用于通过利用多个工作者的计算资源来加速训练。然而，在实践中，由于需要在工作器和参数服务器之间交换大量信息，通信延迟成为瓶颈。缓解通信瓶颈的最有效策略之一是top-K稀疏化。然而，top-K稀疏化需要额外的通信负载来表示稀疏模式，并且工作者的稀疏模式之间的不匹配阻碍了高效通信协议的利用。为了解决这些问题，我们引入了一种新的基于多数表决的稀疏通信策略，在该策略中，工作人员首先寻求稀疏表示结构上的共识。这种策略提供了一个显着减少通信负载，并允许在两个通信方向上使用相同的稀疏水平。通过对CIFAR-10数据集的广泛模拟，我们证明了在测试精度没有任何损失的情况下，可以实现高达x4000的压缩。
2020-11-12 cs.DC cs.IT cs.LG
Majority Voting with Bidirectional Pre-translation For Bitext Retrieval
Dartmouth College（达特茅斯学院）；Boston University（波士顿大学）
获得高质量的平行语料库对于训练NMT系统至关重要。然而，由于许多语言对缺乏足够的黄金标准训练数据，一种流行的方法是从两种语言的成对文档中挖掘所谓的“伪平行”句子。在本文中，我们概述了一些问题与当前的方法，提出计算经济的解决方案，这些问题，并证明成功的新方法的Tatoeba相似性搜索基准和下游任务，即NMT。我们揭示了资源相关因素（即给定语言有多少单语/双语数据）对双文本挖掘方法的最佳选择的影响，并与其他人观察到的经常使用的BUCC数据集的问题相呼应。我们公开了用于实验的代码和数据。
2021-03-12 cs.AI cs.CL cs.LG
New Bounds on the Accuracy of Majority Voting for Multi-Class Classification
Monash University（莫纳什大学）；Innopolis University（因诺波利斯大学）
本文针对多类分类问题推导了多数投票函数准确率的新上界，证明在特定条件下错误率随独立投票者数量增加呈指数衰减，否则指数增长，并分析了真值发现算法与多数投票函数在最佳和最坏情形下的错误率关系，最终通过数值仿真验证了理论结果。
2023-09-18 cs.LG stat.ML
Best-of-Majority: Minimax-Optimal Strategy for Pass@$k$ Inference Scaling
Department of Computer Science, University of California, Los Angeles, CA 90095, USA（计算机科学系，加州大学洛杉矶分校）
针对Pass@$k$推理扩展，论文提出结合频率筛选与奖励排序的Best-of-Majority策略，证明其达到匹配上下界的极小极大最优 regret，并在数学推理实验中优于多数投票和BoN。
2026-10-30 cs.LG stat.ML
Detecting and Mitigating the Correct-Answer Extinction Window in Test-Time Reinforcement Learning with Majority Voting
Meituan（美团）
本文提出TTRL-Guard框架，通过翻转率感知奖励缩放、少数保留采样和风险条件稀疏更新三种机制，检测并缓解测试时强化学习中多数投票导致的正确答案信号永久抑制问题。
2026-05-27 cs.AI cs.LG
Majority-of-Three is Optimal
Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
本文通过简短证明，在可实现PAC学习框架下，三个独立一致分类器的多数投票是最优学习器，简化了投票学习器的算法结构和概率分析。
2026-06-12 cs.LG math.ST stat.ML
A punishment voting algorithm based on super categories construction for acoustic scene classification
在声学场景分类研究中，通常将音频片段分割成多个样本。然后利用多数投票来集成样本的结果。本文提出了一种基于超类别构造方法的惩罚投票算法，用于声场景分类。具体来说，我们提出了一个类似于DenseNet的模型作为基本分类器。基础分类器由从原始音频段生成的CQT频谱图训练。利用基分类器的结果，我们提出了一种基于谱聚类的超类别构造方法。进一步训练与所构造的超级类别相对应的超级分类器。最后，利用超级分类器通过惩罚投票来增强基分类器的多数投票。实验表明，惩罚投票在DCASE2017 Development数据集和LITIS Rouen数据集上都明显提高了性能。
2021-03-30 cs.LG cs.SD stat.ML
Diversity Matters: Revisiting Test-Time Compute in Vision-Language Models
ETH Zürich（苏黎世联邦理工学院）；Shanghai Jiao Tong University（上海交通大学）；EPFL（苏黎世联邦理工学院）
针对视觉-语言模型（VLM）中测试时计算（TTC）策略应用不足的问题，提出基于预测熵的ETTC方法，通过利用模型间的置信度差异提升集成性能，理论证明并实验验证其优于多数投票和最佳单模型。
2026-05-29 cs.CV cs.LG cs.MM
Improved Margin Generalization Bounds for Voting Classifiers
Aarhus University（奥胡斯大学）
本文为投票分类器提出更紧的间隔泛化界，并据此推导出期望误差达到理论下界的最优 Majority-of-3 弱到强学习器，为 AdaBoost 等算法提供更强保证。
2025-06-03 cs.DS cs.LG math.ST
Derandomizing Simultaneous Confidence Regions for Band-Limited Functions by Improved Norm Bounds and Majority-Voting Schemes
HUN-REN SZTAKI: Institute for Computer Science and Control, Hungarian Research Network（匈牙利研究网络：计算机科学与控制研究所）；Department of Probability Theory and Statistics, Institute of Mathematics, Eötvös Loránd University (ELTE)（概率论与统计学系，数学研究所，欧多尼·洛朗德大学（ELTE））；Institute of Mathematics, Eötvös Loránd University (ELTE)（数学研究所，欧多尼·洛朗德大学（ELTE））；Budapest University of Technology and Economics (BME)（布达佩斯技术与经济大学（BME））
本文提出通过改进的范数界限和多数投票方案，去随机化带限函数的同时置信区域，提升稳定性与区域大小。
2026-01-23 cs.LG cs.SY eess.SP
Differentially- and non-differentially-private random decision trees
NYU Polytechnic School of Engineering（纽约大学理工学院）；Courant Institute of Mathematical Sciences（库朗数学科学研究所）；Google Research（谷歌研究院）；Facebook（脸书）
我们考虑监督学习与随机决策树，树的结构是完全随机的。该方法被广泛使用，并在实践中工作良好，尽管设置简单，但其统计机制尚未得到很好的理解。在本文中，我们提供了强有力的理论保证学习随机决策树。我们分析和比较三种不同的变体的算法，具有最小的内存需求：多数表决，阈值平均和概率平均。树的随机结构使我们能够适应这些方法的差分私有设置，因此我们也提出了所有三个方案的差分私有版本。我们给出了泛化误差的上界，并从数学上解释了精度如何依赖于随机决策树的数量。此外，我们证明，只有对数（在数据集的大小）数量的独立选择的随机决策树足以正确地分类的大部分数据，即使当差分隐私保证必须保持。我们的经验表明，多数投票和阈值平均给出了最好的准确性，也为保守的用户需要高隐私保证。此外，我们证明了一个简单的多数表决规则是一个特别好的候选人的差异私人分类，因为它是森林参数的选择比其他方法不太敏感。
2015-02-05 cs.LG
Majority Voting and the Condorcet's Jury Theorem
Playtika Brain；Yandex School of Data Science（Yandex数据科学学院）；Tel Aviv University（特拉维夫大学）；Technion – Israel Institute of Technology（以色列理工学院）
一个有着三百年历史的政治学定理“孔多塞的陪审团定理”（1785年）和一个现代机器学习概念“弱可学习性的强度”（1990年）之间有着惊人的联系，孔多塞的陪审团定理指出，当个人投票通常是正确和独立的时，多数人更有可能做出正确的选择，其描述了一种用于将弱学习算法转换为实现任意高精度并基于包围学习的算法的方法。尽管孔多塞定理是一种直观的表述，但无论是在经典的机器学习手册中，还是在已发表的论文中，我们都找不到一个简洁而严格的数学证明。无论如何，我们并不声称要发现或重新发明一种理论或一种结果。我们谦卑地想提供一个更公开的定理的简单推导。我们会很高兴看到更多的机器学习入门课程的教师使用我们在这里提供的证明作为练习来解释集成学习的动机。
2020-02-13 cs.AI cs.LG stat.ML
Machine Truth Serum
UC Santa Cruz（加州大学圣克鲁兹分校）
《群体智慧》揭示了一个惊人的事实，即来自群体的大多数答案往往比任何一个专家的答案都更准确。我们在机器学习中也观察到了同样的情况--集成方法利用这一思想来组合多个学习算法，以获得更好的分类性能。在许多流行的例子中，著名的随机森林（Random Forest）应用多数投票规则聚合不同的决策树，以做出最终预测。尽管如此，当大多数人更有可能出错时，这些聚合规则就会失效。在本文中，我们扩展了贝叶斯真理血清中提出的想法，“一个令人惊讶的更受欢迎的答案更有可能是真正的答案”分类问题。我们面临的挑战是如何界定或发现一个答案何时应被视为“令人惊讶”。我们提出了两种机器学习辅助方法，旨在揭示真相时，它是少数而不是大多数谁有真正的答案。我们对真实世界数据集的实验表明，与始终相信多数投票相比，可以获得更好的分类性能。我们提出的方法也优于流行的集成算法。我们的方法可以作为集成方法的子程序来代替多数表决规则。
2019-09-28 cs.AI cs.LG stat.ML
Ensemble Convolutional Neural Networks for Mode Inference in Smartphone Travel Survey
Concordia University（康考迪亚大学）；Ryerson University（瑞尔森大学）
我们开发了集成卷积神经网络（CNN）来对收集的出行数据的交通模式进行分类，这些数据是加拿大蒙特利尔大规模智能手机出行调查的一部分。我们提出的集成库由一系列具有不同超参数值和CNN架构的CNN模型组成。在我们的最终模型中，我们使用“平均投票”、“多数投票”和“最优权重”方法组合了CNN模型的输出。此外，我们利用集成库部署一个随机森林模型作为元学习者。以随机森林为元学习器的集成方法的准确率为91.8%，超过了其他三种集成组合方法，以及文献中报道的其他可比模型。“多数投票”和“最优权重”组合方法的预测准确率约为89%，而“平均投票”的准确率仅为85%。
2019-04-18 cs.LG stat.ML
Selecting a number of voters for a voting ensemble
Verizon Media（威瑞森媒体）
对于一个投票合奏，选择一个奇数大小的子集的合奏分类随机为每个例子，应用它们的例子，并返回多数票，我们表明，任何数量的选民可以最大限度地减少出错率在一个样本外的分布。最佳的投票者数量取决于错误分类器数量的样本外分布。为了选择要使用的投票者数量，估计该分布，然后推断投票者数量的出错率，与直接估计这些出错率相比，给出了更低的方差估计。
2021-04-23 cs.LG stat.ML
A Single Revision Step Improves Token-Efficient LLM Reasoning
Carnegie Mellon University（卡内基梅隆大学）；University of Georgia（佐治亚大学）
PACER通过轨迹间互相审查提升令牌高效大语言模型推理准确性，显著优于传统投票方法。
2026-02-02 cs.LG
An Intelligent Decision Support Ensemble Voting Model for Coronary Artery Disease Prediction in Smart Healthcare Monitoring Environments
LASTIMI, High School of Technology Mohammed V University in Rabat Sale, Morocco；LASTIMI, Mohammedia School of Engineers Mohammed V University in Rabat Rabat, Morocco；CISIEV. Faculty of Science；Technology in Marrakech Cadi Ayyad University Marrakech, Morocco
冠状动脉疾病（CAD）是世界范围内最常见的心脏疾病之一，造成残疾和经济负担。它是世界上最主要和最严重的死亡原因，约80%的死亡发生在低收入和中等收入国家。CAD的首选和最精确的诊断工具是血管造影术，但它是侵入性的，昂贵的，技术要求高。然而，研究界越来越感兴趣的计算机辅助诊断CAD通过利用机器学习（ML）方法。这项工作的目的是提出一种基于ML算法的电子诊断工具，可用于智能医疗监护系统。我们将最准确的机器学习方法应用于不同的医学数据集，如RandomForest，XGboost，MLP，J 48，AdaBoost，NaiveBayes，LogitBoost，KNN。每个分类器在不同的数据集上都是有效的。因此，设计了一种基于多数投票的集成模型，以充分利用性能良好的单个分类器。Ensemble学习旨在将多个个体分类器的预测组合起来，以在精度、特异性、灵敏度和准确性方面获得比个体分类器更高的性能;此外，我们已经用最有效和最知名的集成模型，如Bagging，基于交叉验证技术的堆叠方法，实验结果证实，基于前3个分类器的集成多数投票方法：MultilayerPerceptron，RandomForest和AdaBoost，达到了88，12%的最高准确率，优于所有其他分类器。这项研究表明，上述多数投票集成方法是预测和检测冠状动脉疾病的最准确的机器学习分类方法。
2022-10-25 cs.AI cs.LG
Cost-aware LLM-based Online Dataset Annotation
Dept. of Electrical and Computer Engineering（电气与计算机工程系）；Carnegie Mellon University（卡内基梅隆大学）；Dept. of Electrical Engineering（电气工程系）；Bilkent University（比尔肯特大学）
本文提出CaMVo框架，通过自适应选择LLM子集降低标注成本，实现高效准确的数据集标注。
2025-12-15 cs.CL cs.IT cs.LG
A novel reliability attack of Physical Unclonable Functions
Texas Tech University（德克萨斯理工大学）
本文针对经多数投票增强的物理不可克隆函数，提出一种利用低不可靠性的新型可靠性表示与攻击方法，成功破解了高重复次数投票防护的PUF。
2024-06-07 cs.CR cs.LG
MLV$^2$-Net: Rater-Based Majority-Label Voting for Consistent Meningeal Lymphatic Vessel Segmentation
School of Medicine and Health, Technical University of Munich（慕尼黑工业大学医学与健康学院）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出一种评分者感知的nnU-Net训练方案和基于评分者的集成策略，用于脑膜淋巴管分割，提升了准确性与一致性，并实现了不确定性估计。
2024-11-13 cs.AI cs.CV cs.LG
On Margins and Generalisation for Voting Classifiers
University College London（伦敦大学学院）；Inria（法国国家信息与自动化研究所）；ServiceNow Research（ServiceNow研究院）
我们研究了有限分类器集合上多数表决的推广性质，通过PAC贝叶斯理论证明了基于边际的推广界。这些为一些分类任务提供了最先进的保证。我们的中心结果利用了Zantedeschi等人最近研究的Dirichlet后验。[2021]用于训练投票分类器;与此相反，我们的边界通过使用边缘适用于非随机投票。我们的贡献增加了视角的“边缘理论”提出的Schapire等人的辩论。[1998]的概括合奏分类。
2022-10-20 cs.LG math.ST stat.ML
Are Diversity Metrics Measuring Diversity? A Capability-Controlled Audit of Majority-Vote Gain in LLM Ensembles
Aidentyx Inc.（艾登泰克斯公司）
探讨大语言模型集成中多样性指标与多数投票增益的关系，在能力控制下审计五个多样性指标，发现潜在互补性普遍、指标与准确率共线且统计量不可分离，揭示了多样性指标在衡量多样性方面的问题及相关关联。
2026-07-24 cs.AI cs.CL cs.LG
Boosting, Voting Classifiers and Randomized Sample Compression Schemes
Aarhus University（奥胡斯大学）；Georg-August Universität Göttingen（哥廷根大学）
针对投票分类器理论性能次优问题，提出一种随机化boosting算法，通过扩展样本压缩方法构建通用框架，使泛化误差仅含单一对数依赖，打破已有下界障碍。
2024-12-20 cs.LG stat.ML
Error Rate Bounds in Crowdsourcing Models
UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
众包是一种有效的工具，人力计算的许多任务的挑战，计算机。在本文中，我们提供了有限样本指数界的错误率（概率和期望）的超平面二进制标记规则下的Dawid-Skene众包模型。该界可用于分析许多常见的预测方法，包括多数投票和加权多数投票。这些结果对于控制错误率和设计更好的算法有一定的参考价值。我们发现，Oracle最大后验（MAP）规则近似优化了我们的上界的平均错误率为任何超平面二进制标记规则，并提出了一个简单的数据驱动的加权多数表决（WMV）规则（称为一步WMV），试图近似的Oracle MAP，并有一个可证明的理论保证的错误率。此外，我们使用模拟和真实的数据来证明，数据驱动的EM-MAP规则是一个很好的近似的Oracle MAP规则，并证明，数据驱动的EM-MAP规则的平均错误率也有界的Oracle MAP规则的平均错误率界估计参数插入到界。
2013-07-10 cs.LG stat.AP stat.ML
An Extensive Evaluation of Filtering Misclassified Instances in Supervised Classification Tasks
Brigham Young University（杨百翰大学）
在训练学习算法之前去除或过滤离群值和错误标记的实例已被证明可以提高分类准确性。处理离群值和错误标记实例的流行方法是删除任何被学习算法错误分类的实例。然而，还没有对哪些学习算法用于过滤以及它们对大数据集上的多个学习算法的影响进行检查。由于运行这样的实验需要大量的计算，以前的工作通常受到限制，因此，检查通常限于计算成本低且使用少量数据集的学习算法。在本文中，我们检查9个学习算法作为过滤算法，以及检查过滤的效果，在9个选择的学习算法上的一组54个数据集。除了单独使用每个学习算法作为过滤器之外，我们还使用学习算法的集合作为集成过滤器，并使用自适应算法，该自适应算法选择学习算法的子集用于针对特定任务和学习算法进行过滤。我们发现，在大多数情况下，使用集成的学习算法过滤产生的分类精度的最大增加。我们还比较过滤与多数表决合奏。除非数据集中存在大量噪声，否则投票集合显著优于滤波。此外，我们发现，多数表决集成是强大的噪声过滤与表决集成不增加的分类精度的表决集成。
2013-12-13 cs.LG stat.ML
When Does Delegation Beat Majority? A Delegation-Based Aggregator for Multi-Sample LLM Inference
MIT Media Lab（麻省理工学院媒体实验室）
提出基于委托的聚合器PPV，利用样本的字母熵和推理几何信号，在MMLU-Pro上比多数投票高1.5个百分点，无需标签或训练。
2026-07-14 cs.AI cs.LG
Consistency of weighted majority votes
我们从统计学习的角度重新审视了加权专家投票的经典决策理论问题。特别是，我们研究的一致性（渐近和有限）的最佳Nitzan-Paroush加权多数和相关规则。在专家能力水平已知的情况下，我们给出了最优规则的精确误差估计。当能力水平未知时，必须根据经验进行估计。我们为这种情况提供了频率论和贝叶斯分析。我们的一些证明技术是非标准的，可能是独立的利益。我们得到的界限是接近最优的，并提出了几个具有挑战性的开放问题。最后给出了实验结果来说明该理论。
2014-01-21 cs.LG math.PR stat.ML
When Can Voting Help, Hurt, or Change Course? Exact Structure of Binary Test-Time Aggregation
York University（约克大学）
研究探讨了投票在二元测试时间聚合中的精确结构，揭示了投票曲线的非单调性和无限趋势变化，并证明了投票签名与完整曲线的等价性。
2026-10-06 cs.IT cs.LG math.IT
