A Comparative Study of Machine Unlearning Techniques for Image and Text Classification Models
Faculty of Engineering, Alexandria University（亚历山大大学工程学院）
本文系统比较了六种先进的机器遗忘技术在图像与文本分类任务中的性能、效率与合规性，揭示其优势与局限，为伦理可适应的机器学习提供指导。
2024-12-27 cs.AI cs.CL cs.CV
Comparative Analysis of Machine Learning Models for Predicting Travel Time
University of Missouri, Columbia（密苏里大学哥伦比亚分校）；NDSU（北达科他州立大学）
本文比较了五种不同的深度学习模型来预测行程时间。这些模型包括自回归积分滑动平均（ARIMA）模型、递归神经网络（RNN）模型、自回归（AR）模型、长短期记忆（LSTM）模型和门控递归单元（GRU）模型。本研究的目的是调查每个开发的模型预测旅行时间的性能。本文使用的数据集由密苏里州的旅行时间和旅行速度信息组成。用于构建每个模型的学习率在0.0001-0.01之间变化。发现最佳学习率为0.001。研究得出结论，ARIMA模型是行程时间预测和预报的最佳模型架构。
2021-11-16 cs.CV cs.LG
Estimation of minimum miscibility pressure (MMP) in impure/pure N2 based enhanced oil recovery process: A comparative study of statistical and machine learning algorithms
University of Shanghai for Science and Technology（上海理工大学）；University of Alberta（阿尔伯塔大学）
本文比较了统计与机器学习方法在纯/不纯N2驱油最小混相压力预测中的表现，所建模型优于文献已有相关式与预测模型。
2023-04-15 cs.AI cs.LG
Comparative Study of Machine Learning Algorithms in Detecting Cardiovascular Diseases
Quaid-E-Millath Government College for Women（奎德-埃-米拉特政府女子学院）
本研究比较多种机器学习算法在心血管疾病检测中的性能，通过结构化流程评估，发现集成方法效果显著，为临床诊断提供可靠框架。
2024-05-27 cs.LG
Comparative Study of Machine Learning Models and BERT on SQuAD
School of Engineering and Applied Science, Ahmedabad University（艾哈迈达巴德大学工程与应用科学学院）
本研究旨在对机器学习中流行的某些模型和斯坦福问答数据集（SQuAD）上的BERT模型的性能进行比较分析。分析表明，BERT模型，这是一个国家的最先进的SQuAD，提供了更高的精度相比，其他模型。然而，即使仅使用100个样本，BERT也需要更长的执行时间。这表明，随着准确性的提高，更多的时间被投入到训练数据中。而在初步机器学习模型的情况下，完整数据的执行时间较短，但准确性受到影响。
2020-05-22 cs.CL cs.LG stat.ML
Comparative Analysis of Hand-Crafted and Machine-Driven Histopathological Features for Prostate Cancer Classification and Segmentation
本文比较了手工特征（GLCM、LBP）与U-Net机器驱动特征在前列腺癌分类和分割中的表现，发现U-Net在分割质量上更优，而手工特征分类准确率最高达99.0%。
2025-01-19 cs.CV cs.LG eess.IV
Segmentation of Industrial Burner Flames: A Comparative Study from Traditional Image Processing to Machine and Deep Learning
Institute of Photogrammetry and Remote Sensing (IPF), Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT）摄影测量与遥感研究所（IPF））
本研究比较了全局阈值法、区域生长法、SVM、随机森林、多层感知机、U-Net和DeepLabV3+等七种方法在工业燃烧器火焰二值分割任务上的表现，指出深度学习精度最高，传统图像处理技术适用于快速简单方案。
2023-06-26 cs.AI cs.CV cs.LG
Comparative Study of Deep Learning Software Frameworks
Robert Bosch LLC（博世有限责任公司）
深度学习方法已经在几个应用领域中带来了显著的性能改进，因此已经开发了几个软件框架来促进其实现。本文从可扩展性、硬件利用率和速度三个方面对Caffe、Neon、TensorFlow、Theano和Torch五种深度学习框架进行了比较研究。这项研究是在几种类型的深度学习架构上进行的，我们评估了上述框架在单台机器上使用（多线程）CPU和GPU（Nvidia Titan X）设置时的性能。这里使用的速度性能指标包括梯度计算时间，这在深度网络的训练阶段很重要，以及转发时间，这从训练网络的部署角度来看很重要。对于卷积网络，我们还报告了这些框架如何支持各种卷积算法及其相应的性能。从我们的实验中，我们观察到Theano和Torch是最容易扩展的框架。我们观察到Torch最适合CPU上的任何深度架构，其次是Theano。它还在GPU上实现了大型卷积和完全连接网络的最佳性能，其次是Neon。Theano在GPU上实现了最佳性能，用于训练和部署LSTM网络。Caffe是评估标准深度架构性能的最简单方法。最后，TensorFlow是一个非常灵活的框架，类似于Theano，但与其他研究的框架相比，其性能目前不具有竞争力。
2016-03-30 cs.LG
A comparative study of Different Machine Learning Regressors For Stock Market Prediction
Punjab University Lahore（拉合尔旁遮普大学）
为了制定成功的股票交易策略，预测股票市场指数的走势是很重要的。有效的股票收盘价预测可以保证投资者获得有吸引力的收益。机器学习算法能够处理和预测历史股票模式的几乎可靠的收盘价。在本文中，我们深入研究了纳斯达克股票市场，并有针对性地选择了十家不同行业的公司的投资组合。目标是利用历史数据计算第二天股票的开盘价。为了完成这项任务，九种不同的机器学习回归器应用于这些数据，并使用MSE和R2作为性能指标进行评估。
2021-04-14 cs.LG q-fin.ST
A comparative evaluation of machine learning methods for robot navigation through human crowds
Cisco（思科）；University of York（约克大学）；JetBrains Research（JetBrains研究院）
机器人在人群中导航对人工智能系统构成了严峻的挑战，因为这些方法应该实现快速有效的移动，但同时不允许损害安全。迄今为止，大多数方法都集中在将寻路算法与机器学习相结合，用于行人步行预测。最近，强化学习技术已经在研究文献中提出。在本文中，我们进行了比较评估的寻路/预测和强化学习方法上的人群运动数据集收集的监控视频在纽约大中央车站。结果表明，国家的最先进的强化学习方法的强大优势，与国家的最先进的行为预测技术的寻路。
2020-12-16 cs.LG cs.RO
A Comparative Analysis of Machine Learning Approaches for Automated Face Mask Detection During COVID-19
University of Calgary（卡尔加里大学）
世界卫生组织（世卫组织）已建议佩戴口罩作为预防COVID-19传播的最有效措施之一。在许多国家，戴口罩是强制性的，特别是在公共场所。由于人工监测口罩在人群中间往往不可行，因此自动检测可能是有益的。为了促进这一点，我们探索了许多深度学习模型（即，VGG 1，VGG 19，ResNet 50）进行面罩检测，并在两个基准数据集上对其进行了评估。我们还评估了迁移学习（即，VGG 19，ResNet 50在ImageNet上预训练）。我们发现，虽然所有的模型的性能都相当不错，迁移学习模型达到最好的性能。迁移学习在训练时间减少30%的情况下，使学习成绩提高了0.10%~ 0.40%。我们的实验还表明，这些高性能模型对于测试数据集来自不同分布的真实情况并不十分鲁棒。在没有任何微调的情况下，这些模型的性能在跨域设置中下降了47%。
2021-12-15 cs.CV cs.LG
Improving Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models: A Case Study on Myocardial Infarction
University Of South Dakota（南达科他大学）；University of Tennessee（田纳西大学）；New Jersey City University（新泽西城市大学）；Gannon University（加农大学）；Lamar University（拉马尔大学）
本文通过比较六种机器学习模型在心肌梗死预测中的表现，发现XGBoost以92.72%的准确率最优，表明先进机器学习技术可提升心血管疾病预测精度并改进医疗干预。
2023-11-01 cs.CV cs.HC cs.LG
Evaluating Machine Translation Models for English-Hindi Language Pairs: A Comparative Analysis
National Institute of Technology Karnataka（卡纳塔克国家理工学院）
本文比较评估了多种英印机器翻译模型，利用18000+平行语料和FAQ数据集，通过词汇与机器学习指标揭示各模型优劣及改进方向。
2025-05-26 cs.CL cs.LG
Exploring Machine Learning and Transformer-based Approaches for Deceptive Text Classification: A Comparative Analysis
College of Information Technology, United Arab Emirates University（阿联酋大学信息技术学院）
本文比较了传统机器学习与BERT、XLNET、DistilBERT、RoBERTa等Transformer模型在欺骗性文本分类上的性能，通过准确率、精确率、召回率和F1分数揭示各方法的优劣，为相关研究和实践提供选择依据。
2023-08-11 cs.CL cs.LG
Comparative Evaluation of Machine Learning Approaches for Minority-Class Financial Distress Prediction Under Class Imbalance Constraints
Kent Business School（肯特商学院）；University of Kent（肯特大学）
本文比较了统计方法、集成学习和神经网络模型在类不平衡数据下的少数类财务困境预测效果，验证了梯度提升方法在严重不平衡情况下的优越性。
2026-05-13 cs.LG
Classification of power quality events in the transmission grid: comparative evaluation of different machine learning models
TÜBİTAK Marmara Research Center（土耳其科学技术研究理事会马尔马拉研究中心）；Turkish Electricity Transmission Corp. (TEİAŞ)（土耳其输电公司）
本研究针对输电网电能质量事件按根本原因分类的需求，对比评估大量机器学习模型，发现Cubic SVM和XGBoost表现最优，相关模型将应用于土耳其输电系统的监测平台。
2025-03-17 cs.LG eess.SP
A Comparative Evaluation of Additive Separability Tests for Physics-Informed Machine Learning
National University of Singapore（新加坡国立大学）；Singapore Institute of Manufacturing Technology, Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR）新加坡制造技术研究院）
针对物理、生物、经济等领域函数多具加性可分性的特点，研究了代理模型加性可分性检验问题，比较评估了8种计算混合偏导数的检验方法，以助力后续学习优化。
2023-12-19 cs.LG
Machine Learning-Based Prediction of Metal-Organic Framework Materials: A Comparative Analysis of Multiple Models
Nanchang University（南昌大学）；Arizona State University（亚利桑那州立大学）；SUNY Stony Brook University（纽约州立大学石溪分校）
本文对比了随机森林、XGBoost、LightGBM、SVM和神经网络五种机器学习模型在MOF性质预测上的表现，发现随机森林精度最高（R^2=0.891），LightGBM计算效率最佳，证明集成学习方法优于传统单一模型。
2025-07-06 cs.LG
Phishing Attacks and Websites Classification Using Machine Learning and Multiple Datasets (A Comparative Analysis)
The University of Sheffield（谢菲尔德大学）；Liverpool John Moores University（利物浦约翰摩尔大学）
网络钓鱼攻击是用于获取敏感信息的最常见的网络攻击类型，一直影响着全球的个人和组织。近年来，已经提出了各种技术来识别网络钓鱼攻击，特别是机器智能的部署。然而，部署的算法和判别因素是非常不同的，在现有的作品。在这项研究中，我们提出了各种机器学习算法的综合分析，以评估其在多个数据集上的性能。我们进一步研究了多个数据集内最重要的特征，并将分类性能与降维数据集进行了比较。统计结果表明，随机森林和人工神经网络优于其他分类算法，达到97%以上的准确率使用的识别功能。
2021-01-06 cs.CR cs.LG
A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks
Victoria University（维多利亚大学）
本文评估了XGBoost、KNN、SGD和Naïve Bayes等机器学习模型在IoT网络中检测DDoS攻击的效能，通过多项指标对比分析了各模型在动态环境中的优劣势，证明了机器学习能显著增强IoT安全框架。
2024-11-08 cs.CR cs.LG
A comparative study on machine learning models combining with outlier detection and balanced sampling methods for credit scoring
Beihang University（北京航空航天大学）；HuaRong RongTong (Beijing) Technology Co., Ltd（华融融通（北京）科技有限公司）
随着网络基础设施的改善和个人借贷需求的增长，P2P借贷平台在过去十年中迅速发展。这些平台允许用户在没有传统金融机构帮助的情况下建立点对点借贷关系。评估借款人的信用对于降低P2P平台的违约率和良性发展至关重要。构建个人信用评分机器学习模型，可以有效预测用户是否会在P2P平台上还款。而数据异常值和样本不平衡问题的处理会影响机器学习模型的最终效果。目前已经有一些关于平衡采样方法的研究，但是离群点检测方法及其与平衡采样方法的结合对机器学习模型有效性的影响还没有得到充分的研究。本文研究了使用不同的离群点检测方法和平衡采样方法对常用机器学习模型的影响。对44,487个Lending Club样本的实验表明，适当的离群点检测可以提高机器学习模型的有效性，而平衡采样方法只对少数机器学习模型有较好的效果，如MLP。
2021-12-25 cs.LG
Comparative Analysis of FPGA and GPU Performance for Machine Learning-Based Track Reconstruction at LHCb
LIP6, LPNHE Sorbonne Université CNRS, IN2P3 Paris, France（LIP6、LPNHE 索邦大学 CNRS、IN2P3 巴黎）；Massachusetts Institute of Technology（麻省理工学院）；Sorbonne Université CNRS, IN2P3 Paris, France（索邦大学 CNRS、IN2P3 巴黎）
本文比较了LHCb实验一级触发器中径迹重建流水线首步多层感知机在FPGA（使用HLS4ML）与GPU上的推断吞吐量，证明FPGA具备高吞吐、低延迟且低功耗的潜力。
2025-04-30 cs.DC cs.LG hep-ex
A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
Gezhi Future Research Institute（智未来研究院）
本文比较了八种机器学习模型在电力价格预测中的性能，发现KNN表现最佳，并通过LIME分析揭示了气象因素和供需指标对价格波动的非线性影响。
2025-12-01 cs.LG
Comparative Analysis of Stroke Prediction Models Using Machine Learning
PhD Faculty of Computer Science and Engineering（计算机科学与工程系）
本文基于人口统计学、临床与生活方式数据，比较 Logistic Regression、Random Forest 和 XGBoost 在卒中风险预测中的表现，处理类别不平衡与缺失值，指出敏感性不足并提出改进策略。
2025-05-14 cs.LG
Towards Equitable ASD Diagnostics: A Comparative Study of Machine and Deep Learning Models Using Behavioral and Facial Data
University of North Texas（北得克萨斯大学）；Fordham University（福特汉姆大学）
本研究比较机器学习与深度学习模型，利用行为和面部数据提升ASD诊断公平性，随机森林达100%准确率，MobileNet在图像分析中优于基线，有望改善女性等诊断不足群体的筛查。
2024-11-08 cs.AI cs.CV cs.LG
Machine Learning Classification of Peaceful Countries: A Comparative Analysis and Dataset Optimization
Columbia University（哥伦比亚大学）；Climate School at Columbia University（哥伦比亚大学气候学院）；Fu Foundation School of Engineering and Applied Science（傅 Foundation 工程与应用科学学院）；Toyota Research Institute（丰田研究所）
本文利用全球媒体文本的向量嵌入与余弦相似度构建有监督分类模型以识别和平国家，并分析数据集缩减对分类准确率的影响，揭示大规模文本数据在和平研究中的挑战与机遇。
2024-10-01 cs.CL cs.LG
Comparative study of machine learning and deep learning methods on ASD classification
Middle Tennessee State University（中田纳西州立大学）
研究自闭症数据集以确定自闭症患者和健康人群之间的差异。为此，分析了两组的静息状态功能性磁共振成像（rs-fMRI）数据，并创建了大脑区域之间的连接网络。开发了几个分类框架来区分组之间的连接模式。比较了统计推断和精度的最佳模型，并分析了精度和模型可解释性之间的权衡。最后，分类精度的措施，报告证明我们的框架的性能。我们最好的模型可以在多站点ABIDE I数据上对自闭症患者和健康患者进行分类，准确率为71%。
2022-12-01 cs.LG eess.IV q-bio.NC
Computer-Aided Cancer Diagnosis via Machine Learning and Deep Learning: A comparative review
University of North Dakota（北达科他大学）
在过去的几年里，癌症病例大幅增加。然而，癌症诊断通常是复杂的，并且取决于提供用于分析的图像的类型。它需要高度熟练的从业人员，但往往是耗时和容易出错。如果机器学习和深度学习算法已经被广泛使用，那么从预处理步骤到最终预测所使用的技术就缺乏全面的回顾。通过这篇综述，我们的目标是全面概述构建用于癌症预测、检测和分类的高效准确的机器学习算法所需的当前步骤。为此，我们汇编了过去几年使用AI进行的癌症相关研究的结果。我们包括各种癌症，包括不同类型的图像，因此不同的相关技术。我们表明，在癌症肿瘤和组织的早期检测方面已经取得了巨大的进步。所使用的技术是各种各样的，往往是针对问题的，我们的研究结果是通过大量的研究证实。此外，我们还研究了最适合不同类型图像的方法，如组织学、皮肤镜、MRI等。通过这项工作，我们总结了过去几年使用深度学习技术进行癌症检测的主要发现。我们讨论了与图像中的巨大差异相关的癌症研究的挑战，并提供了肺癌，乳腺癌和皮肤癌领域的一些显着结果。
2022-10-19 cs.CV cs.LG eess.IV
Differing Roles of Leisure and Productivity in GDP - A Machine Learning based comparative analysis of Germany and USA
Achintya Ranjan（阿金蒂亚·兰詹）；Uma Ranjan（乌玛·兰詹）
本研究通过随机森林模型分析工作时间和全要素生产率对GDP的影响，并利用Gini重要性、SHAP图和部分依赖图揭示德国与美国社会结构差异在GDP贡献中的体现。
2026-05-31 cs.CE cs.CV cs.GT
A Comparative Analysis of Machine Learning and Grey Models
Southwest University of Science and Technology（西南科技大学）；University of Electronic Science and Technology of China（电子科技大学）；Southwest Petroleum University（西南石油大学）
人工智能（AI）最近几乎在生活的每个领域都显示出了它的能力。机器学习是人工智能的一个子集，对研究人员来说是一个“热门”话题。机器学习在几乎所有自然应用中的表现优于其他经典预测技术。这是现代研究的重要组成部分。根据这一说法，现代机器学习算法对大数据如饥似渴。由于数据集较小，研究人员可能不喜欢使用机器学习算法。为了解决这个问题，本调查的主要目的是说明，演示半参数机器学习框架称为灰色机器学习（GML）的意义的相关研究。这种框架能够处理大型数据集以及用于时间序列预测可能结果的小型数据集。本调查提出了一个全面的概述现有的半参数机器学习技术的时间序列预测。本文对GML框架进行了初步的综述。为了让读者深入了解，机器学习的简要描述，以及各种形式的传统灰色预测模型进行了讨论。此外，简要说明了GML框架的重要性。
2021-12-04 cs.AI cs.LG
A Comparative Study on Machine Learning Algorithms for the Control of a Wall Following Robot
Dalhousie University（达尔豪斯大学）
本文比较了各种机器学习模型预测壁面跟随机器人方向的性能。这些模型使用开源数据集进行训练，该数据集包含24个超声传感器读数和每个样本的相应方向。该数据集是使用SCITOS G5移动机器人通过将传感器放置在机器人腰部来捕获的。除了每个记录24个传感器的完整格式外，数据集还有两种简化格式，每个记录有4个和2个输入传感器读数。之前针对使用所有三种数据集格式的该数据集提出了几种控制模型。在本文中，两个主要的研究贡献。首先，使用所有三种格式，为该数据集提供比所有先前提出的模型更高精度的机器学习模型。采用决策树分类器对4输入和2输入传感器格式提出了一个完美的解决方案，平均准确率达到100%。另一方面，通过采用梯度提升分类器，使用24个传感器输入实现了99.82%的平均准确度。其次，对不同的机器学习和深度学习算法在该数据集上的性能进行了比较研究。因此，提供了一个整体的洞察这些算法的性能类似的传感器融合问题。所有的模型在本文中进行了评估，使用蒙特卡罗交叉验证。
2020-04-18 cs.CV cs.LG cs.RO
Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models
Hassan II University of Casablanca（卡萨布兰卡哈桑二世大学）；Zaiku Group Ltd（Zaiku集团有限公司）；University of the Witwatersrand（威特沃特斯兰德大学）
本研究比较了四种量子机器学习模型在金融欺诈检测中的性能，发现Quantum Support Vector Classifier模型表现最佳，F1分数达0.98，为QML在金融应用中的潜力提供了新见解。
2023-08-09 cs.LG q-fin.GN quant-ph
A Comparative Analysis of Machine Learning Techniques for IoT Intrusion Detection
Polytechnic of Porto（波尔图理工学院）；School of Engineering, Polytechnic of Porto (ISEP/IPP)（波尔图理工学院工程学院（ISEP/IPP））；Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD)（高级创新与发展智能工程与计算研究组（GECAD））
数字化转型面临巨大的安全挑战。特别是，越来越多的针对物联网（IoT）系统的网络攻击重申了对恶意网络活动的可靠检测的需求。本文对IoT-23数据集的九个恶意软件捕获进行了监督、无监督和强化学习技术的比较分析，同时考虑了二进制和多类分类场景。开发的模型包括支持向量机（SVM），极端梯度提升（XGBoost），轻梯度提升机（LightGBM），隔离森林（iForest），局部离群因子（LOF）和深度强化学习（DRL）模型的基础上的双深度Q-网络（DDQN），适应入侵检测上下文。LightGBM实现了最可靠的性能。尽管如此，iForest显示出良好的异常检测结果，DRL模型证明了采用这种方法来不断改进检测的可能好处。总体而言，所获得的结果表明，所分析的技术非常适合物联网入侵检测。
2022-06-01 cs.AI cs.CR cs.LG
Byzantine Fault-Tolerant Distributed Machine Learning Using Stochastic Gradient Descent (SGD) and Norm-Based Comparative Gradient Elimination (CGE)
EPFL（洛桑联邦理工学院）；Georgetown University（乔治城大学）
本文研究了分布式随机梯度下降（D-SGD）方法中的拜占庭容错问题，D-SGD是分布式多智能体机器学习的一种流行算法。在这个问题中，每个代理独立于某个数据生成分布对数据点进行采样。在无故障的情况下，D-SGD方法允许所有代理学习最适合所有代理集体采样的数据的数学模型。我们考虑的情况下，当一小部分的代理可能是拜占庭式的故障。这种错误的代理可能不会正确地遵循规定的算法，并且可能通过共享任意不正确的随机梯度而使传统的D-SGD方法无效。我们提出了一个基于范数的梯度过滤器，命名为比较梯度消除（CGE），robustifies D-SGD方法对拜占庭代理。我们表明，CGE梯度过滤器保证容错对拜占庭代理的有界分数在标准的随机假设下，是计算上更简单的许多现有的梯度过滤器，如多KRUM，几何平均值，和频谱过滤器。我们的经验表明，通过模拟分布式学习神经网络，CGE的容错性与现有的梯度过滤器。我们还经验表明，随机梯度的指数平均提高了通用梯度滤波器的容错性。
2021-04-18 cs.DC cs.LG stat.ML
A Comparative Analysis of Machine Learning Methods for Lane Change Intention Recognition Using Vehicle Trajectory Data
Southeast University（东南大学）；School of Transportation（交通学院）；Jiangsu Key Laboratory of Urban ITS（江苏省城市智能交通重点实验室）
本文比较了不同机器学习方法在从高维时间序列数据中识别车道变换意图的性能，基于CitySim数据集1023条轨迹验证，发现集成方法准确率达98%且减少分类错误，LightGBM训练效率比XGBoost提升六倍。
2023-07-28 cs.LG stat.ML
Matlab vs. OpenCV: A Comparative Study of Different Machine Learning Algorithms
TeraData（天睿公司）；Helwan University（赫尔万大学）
科学计算依赖于执行以某些程序设计语言编码的计算机算法。给定特定的可用硬件，算法速度是一个关键因素。有许多科学计算环境用于编码这样的算法。Matlab是最成功和最广泛的科学计算环境之一，它拥有丰富的工具箱、库和数据可视化工具。OpenCV是一个基于C++的库，主要为计算机视觉及其相关领域编写。本文使用20个不同的真实数据集来比较Matlab和OpenCV对某些机器学习算法的速度。虽然Matlab在开发和数据表示方面更方便，但OpenCV在执行方面要快得多，在某些情况下速度比达到80以上。通过使用Matlab或类似环境进行探索以选择最成功的算法，然后使用OpenCV或类似环境实现所选算法以获得速度因子，可以实现两个世界中的最佳。
2019-08-14 cs.LG cs.MS cs.SE
Machine Learning Framework for Audio-Based Equipment Condition Monitoring: A Comparative Study of Classification Algorithms
Department of Computer Science & Engineering（计算机科学与工程系）；Manipal Academy of Higher Education（马普尔高等教育学院）
本文提出系统评估机器学习模型的框架，通过127种特征集验证，展示集成方法在准确率和F1分数上的优越性，为工业应用提供可靠指南。
2025-09-14 cs.LG
Comparative Evaluation of Weather Forecasting using Machine Learning Models
University of California Riverside（加利福尼亚大学河滨分校）；Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学）；Texas A&M University（德克萨斯农工大学）；University of Central Florida（中佛罗里达大学）；University of Florida（佛罗里达大学）
本研究利用达卡市单气象站20年数据集，对比评估多种机器学习算法在降水与温度预测中的性能，为天气预报领域的算法选择与特征分析提供参考。
2024-02-02 cs.LG
Comparative analysis of machine learning methods for active flow control
von Karman Institute for Fluid Dynamics（冯·卡门流体动力学研究所）；Norwegian Meteorological Institute（挪威气象研究所）
机器学习框架，如遗传编程（GP）和强化学习（RL）在流控制中越来越受欢迎。这项工作提出了一个比较分析的两个，基准对全局优化技术，如贝叶斯优化（BO）和Lipschitz全局优化（LIPO）的一些最具代表性的算法。首先，我们回顾了无模型控制问题的一般框架，将所有方法作为黑盒优化问题。然后，我们测试的控制算法上的三个测试用例。它们是（1）以频率串扰为特征的非线性动力系统的稳定化，（2）Burgers流的波抵消和（3）圆柱尾流的阻力减小。我们提出了一个全面的比较，以说明他们的差异，勘探与开发和他们之间的平衡“模型容量”的控制法定义与“所需的复杂性”。我们相信，这样的比较铺平了道路的杂交的各种方法，我们提供了一些关于他们的未来发展的流动控制问题的文献。
2022-11-09 cs.LG cs.NE physics.flu-dyn
A Comparative Analysis of Machine Learning Algorithms for Intrusion Detection in Edge-Enabled IoT Networks
Taylor's University（泰莱大学）
互连设备和通过无线网络的数据通信的数量的显著增加已经引起了各种威胁、风险和安全问题。物联网（IoT）应用几乎部署在日常生活的各个领域，包括敏感环境。边缘计算范式通过将计算处理移动到数据源附近来补充物联网应用。在各种安全模型中，基于机器学习（ML）的入侵检测是最有可能对抗边缘物联网网络中异常行为的防御机制。ML算法用于将网络流量分为正常和恶意攻击。入侵检测是网络安全领域中的一个具有挑战性的问题。研究界提出了许多入侵检测系统。然而，在选择合适的算法以在启用边缘的IoT网络中提供安全性方面存在挑战。在本文中，传统的机器学习分类算法进行了比较分析，NSL-KDD数据集上使用Pycharm工具上的分类器对网络流量进行分类。可以观察到，多层感知（MLP）在输入和输出之间具有依赖性，并且更多地依赖于用于入侵检测的网络配置。因此，MLP更适合基于边缘的物联网网络，其训练时间更好，为1.2秒，测试准确率为79%。
2021-11-02 cs.CR cs.LG
Fuel Consumption Prediction: A Comparative Analysis of Machine Learning Paradigms
CliftonLarsonAllen (CLA)（CliftonLarsonAllen（CLA））
本文通过比较多种机器学习方法，研究车辆燃油消耗影响因素，发现SVM回归在连续预测上表现最佳，Logistic回归在分类任务中效果突出，验证了经典模型在物理数据集中的可靠性。
2026-03-22 cs.LG
A Comparative Study of Machine Learning Models for Tabular Data Through Challenge of Monitoring Parkinson's Disease Progression Using Voice Recordings
University of Georgia（佐治亚大学）
帕金森病患者必须定期接受医生的监测，以观察疾病的进展情况，并可能调整治疗计划以减轻症状。通过患者在自己家中捕获的语音记录来监测疾病的进展可以使过程更快，压力更小。我们使用42名早期帕金森病患者在6个月内的语音记录数据集，应用多种机器学习技术来寻找语音记录与患者运动UPDRS评分之间的相关性。我们使用大量的回归和分类技术来解决这个问题。本文的大部分内容都致力于使用回归技术将语音数据映射到运动神经元分数，以便获得未知情况下更精确的值。通过对各种机器学习方法的比较研究，我们意识到一些旧的机器学习方法，如树，在许多表格数据集上的表现优于尖端的深度学习模型。
2020-05-27 cs.LG cs.SD eess.AS
Mendel Gödel Machine: Recursive Self-Improving Coding Agents via Comparative Evolution
该研究针对现有自改进编码智能体仅利用单轨迹的缺陷，提出孟德尔哥德尔机，新增反应规范突变与跨谱系杂交两种自修改策略，经理论证明与实验验证，其在编码任务上的性能、效率及泛化性均优于基线方法。
2026-08-11 cs.AI cs.LG
A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data
School of Information Technology University of Cincinnati（信息科技学院 哥伦比亚大学）
本研究利用特斯拉2020年4月至2023年3月的内幕交易数据，比较决策树、随机森林、不同核函数的SVM及K均值聚类等算法的股票价格预测效果，通过RFE优化特征，发现RBF核SVM准确性最佳但耗时更长，为金融从业者优化投资策略提供算法选择参考。
2025-07-07 cs.LG
A comparative study of forecasting Corporate Credit Ratings using Neural Networks, Support Vector Machines, and Decision Trees
Stevens Institute of Technology（斯蒂文斯理工学院）
信用评级是反映公司履行其财务义务的风险和可靠性水平的主要关键之一。评级机构往往需要较长的时间来提供新的评级和更新旧的评级。因此，近年来，使用人工智能的信用评分评估引起了人们的极大兴趣。成功的机器学习方法可以提供快速的信用评分分析，同时在每天的时间范围内更新旧的信用评分。相关研究表明，神经网络和支持向量机通过提供更好的预测精度而优于其他技术。本文的目的有二。首先，我们提供了一个调查和比较分析的结果，从文献应用机器学习技术来预测信用评级。其次，我们将之前研究中认为有用的四种机器学习技术（Bagged Decision Trees，Random Forest，Support Vector Machine和Multilayer Perceptron）应用于相同的数据集。我们使用10倍交叉验证技术评估结果。对所选数据集的实验结果表明，基于决策树的模型具有优越的性能。除了传统的分类器的准确性的措施，我们引入了一个基于缺口称为“缺口距离”的准确性的措施，以分析上述分类器的性能在特定的背景下的信用评级。这个指标告诉我们预测与真实评级的差距有多远。我们进一步比较了三个主要的评级机构，标准$\&$普尔，穆迪和惠誉的表现，我们表明，他们的评级的差异是可比的决策树预测与测试数据集上的实际评级。
2020-07-13 cs.LG q-fin.RM
A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects
Boston University（波士顿大学）
本研究比较了材料描述符、图神经网络和团簇展开三种方法预测相互作用缺陷系统自由能变化的性能，发现团簇展开模型在有限数据下表现优异，并探讨了扩充数据对图神经网络训练的影响。
2024-03-20 cond-mat.mtrl-sci cs.LG physics.comp-ph
A Comparative Study of Machine Learning Techniques for Early Prediction of Diabetes
Jadara University（贾达拉大学）；Arab Open University（阿拉伯开放大学）
本研究在包含768名患者数据的Pima Indians Diabetes数据集上，对比8种机器学习算法的糖尿病早期预测效果，发现神经网络准确率最高（78.57%），证实机器学习可作为糖尿病早期检测的有效工具。
2025-06-11 cs.AI cs.LG
A comparative analysis of machine learning algorithms for predicting probabilities of default
NTT Data Italia（NTT数据意大利分公司）；ESOMAS Department, University of Turin（都灵大学ESOMAS部门）
本文比较五种机器学习算法与逻辑回归在基准数据集上的违约概率预测性能，揭示各方法优劣，为贷款组合的PD预测提供有效算法选择见解。
2025-06-24 cs.LG q-fin.RM stat.AP
Machine Learning-Based Prediction of Dengue Infection Using Clinical and Hematological Data from Bangladesh: A Comparative Analysis of Benchmark and Extended Prediction Models
School of Engineering, Computer and Mathematical Sciences（工程、计算机与数学学院）；Auckland University of Technology (AUT)（奥克兰理工大学）
针对孟加拉国登革热早期诊断难的问题，本研究对比逻辑回归、随机森林、XGBoost三种模型，结合SMOTE技术，利用临床与血液学数据预测登革热，发现2024年扩展模型表现优于基准模型，RDW-CV是关键新增预测因子，2025年基准模型表现更高或与数据质量有关，需外部验证。
2026-10-14 cs.LG
Comparative Study of MPPT and Parameter Estimation of PV cells
Vellore Institute of Technology（韦洛尔理工学院）；NALDEO Technologies Industries（纳尔迪欧技术工业公司）
本文利用人工神经网络高效估计光伏电池PVLIB模型参数，经Bland Altman检验准确率超95%，在计算效率上优于其他元启发式与机器学习算法。
2023-04-16 cs.LG
A Comparative Analysis of Machine Learning Models for Early Detection of Hospital-Acquired Infections
Philips Research North America（飞利浦研究北美）；Tufts University（塔夫茨大学）
本研究比较了感染风险指数（IRI）和呼吸机相关性肺炎（VAP）预测模型，分析其在医院获得性感染早期检测中的一致性与混淆，为多模型并行部署提供指导。
2023-11-15 cs.LG
Comparative Study of Machine Learning Models for Stock Price Prediction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Department of Electrical & Computer Engineering（电气与计算机工程系）
在这项工作中，我们将机器学习技术应用于历史股票价格，以预测未来的价格。为了实现这一点，我们使用递归的方法，是适当的处理时间序列数据。特别是，我们将线性卡尔曼滤波器和不同种类的长短期记忆（LSTM）架构应用于10年（1/1/2011 - 1/1/2021）的历史股票价格。我们通过计算每只股票的预测值与历史值的误差来量化这些模型的结果。我们发现，在我们研究的算法中，一个简单的线性卡尔曼滤波器可以预测低波动性股票的第二天价值（例如，微软（Microsoft）令人惊讶地好。然而，在高波动性股票的情况下（例如，特斯拉）更复杂的LSTM算法明显优于卡尔曼滤波器。我们的研究结果表明，我们可以对不同类型的股票进行分类，然后为每种股票类型训练一个LSTM。该方法可用于自动生成目标回报率的投资组合。
2022-01-31 cs.LG q-fin.ST
Enhancing Machine Learning Model Performance with Hyper Parameter Optimization: A Comparative Study
AI Research and Application Center（人工智能研究与应用中心）；Sakarya University of Applied Sciences（萨卡里亚应用科学大学）；Sakarya University（萨卡里亚大学）
机器学习中最关键的问题之一是为训练模型选择合适的超参数。机器学习模型可以能够达到最佳训练性能，并且可以使用超参数优化（HPO）技术来增加泛化能力。HPO是近年来人工智能研究的热点，引起了越来越多的关注。传统的HPO方法包括穷举搜索、网格搜索、随机搜索和贝叶斯优化;元启发式算法也被用作更高级的方法。元启发式算法搜索解空间，其中解收敛到最佳组合以解决特定问题。这些算法测试各种场景并评估结果以选择性能最佳的组合。在这项研究中，经典的方法，如网格，随机搜索和贝叶斯优化，和基于人口的算法，如遗传算法和粒子群优化，讨论了在HPO。相关搜索算法的使用与Scikit-learn，Sklearn Genetic和Optuna等软件包上开发的Python编程代码一起解释。在一个样本数据集上对搜索算法的性能进行了比较，结果表明粒子群优化算法优于其他算法。
2023-02-14 cs.LG
A Comparative Study of Diabetes Prediction Based on Lifestyle Factors Using Machine Learning
本研究基于2015年BRFSS调查的21个生活方式特征，对比评估了Decision Tree、KNN和Logistic Regression三种机器学习模型在糖尿病预测中的性能，发现三者准确率分别达0.74、0.72和0.75，证明了机器学习在该领域的应用潜力。
2025-03-06 cs.LG
