A brief introduction to the Grey Machine Learning
Southwest University of Science and Technology（西南科技大学）；Southwest Petroleum University（西南石油大学）
简要介绍了基于核的灰色机器学习（GML）的关键技术。首先总结了灰色系统模型的一般形式，然后对灰色系统模型的非线性扩展进行了一般形式的研究。利用核隐式映射估计GML模型的非线性函数，通过扩展LSSVM的非参数形式，GML模型的非线性函数的估计也可以用核表示。本文还讨论了这种新框架相对于现有灰色模型和最小二乘支持向量机的优越性。最后，对该框架的未来发展方向进行了展望。
2019-03-20 cs.LG stat.ML
Forecasting Foreign Exchange Rate: A Multivariate Comparative Analysis between Traditional Econometric, Contemporary Machine Learning & Deep Learning Techniques
Birla Institute of Technology and Science, Pilani（博拉理工与科学大学皮拉尼分校）
在当今的全球经济中，准确预测宏观经济参数，如外汇汇率或至少正确估计趋势，对任何未来投资都至关重要。近年来，使用基于计算智能的技术来预测宏观经济变量已被证明是非常成功的。本文试图提出一种多变量时间序列方法来预测汇率（美元/印度卢比），同时比较三种多变量预测建模技术的性能：向量自回归（传统计量经济学技术），支持向量机（现代机器学习技术）和递归神经网络（现代深度学习技术）。我们使用1994年4月至2018年12月美国和印度几个宏观经济变量的月度历史数据来预测美元兑印度卢比的外汇汇率。结果清楚地表明，SVM和RNN（长短期记忆）的当代技术优于广泛使用的传统自回归方法。具有长短期记忆（LSTM）的RNN模型提供了最高的准确率（97.83%），其次是SVM模型（97.17%）和VAR模型（96.31%）。最后，我们提出了一个简短的分析相关性和相互依赖的变量用于预测。
2020-02-19 cs.LG econ.EM q-fin.ST
From Grey-Box to Green-Box: When can Physics-Informed Machine Learning Reduce Carbon Footprints in Structural Health Monitoring?
University of Sheffield（谢菲尔德大学）
本研究在结构健康监测中评估四种物理信息机器学习方法，发现多数方法相比黑盒模型能减少训练碳排放，但需权衡模型复杂度与数据需求。
2026-11-05 cs.LG
Green Physics-Informed Machine Learning Models For Structural Health Monitoring
University of Sheffield（谢菲尔德大学）
本文通过绿色视角比较黑盒与灰盒模型，探讨灰盒模型的高外推性能如何降低运行时间和碳排放，提出低计算成本的物理信息模型。
2026-10-30 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
Explainable data-driven modeling via mixture of experts: towards effective blending of grey and black-box models
Eindhoven University of Technology（埃因霍温理工大学）
针对第一性原理模型精度不足、机器学习模型可解释性差且难以平衡精度与复杂度的问题，提出基于混合专家的可解释建模框架，融合多类局部模型与先验知识，支持独立训练与多种学习范式，经惩罚突变提升可解释性，实验验证其能生成契合目标的可解释模型组合。
2024-01-30 cs.LG cs.SY eess.SY
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 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
Outlier-Oriented Poisoning Attack: A Grey-box Approach to Disturb Decision Boundaries by Perturbing Outliers in Multiclass Learning
College of Computing, Birmingham City University（伯明翰城市大学计算机学院）
本文提出面向离群点的投毒（OOP）灰盒攻击，通过篡改多分类任务中离决策边界最远样本的标签破坏模型，实验验证了不同算法的抗攻击差异及类别数、数据不平衡对攻击效果的影响。
2024-11-01 cs.LG
A Comparative Evaluation of Machine Learning Algorithms for the Prediction of R/C Buildings' Seismic Damage
Hellenic Open University（希腊开放大学）；Democritus University of Thrace（色雷斯德谟克利特大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Earthquake Planning and Protection Organization (EPPO-ITSAK)（地震规划与保护组织（EPPO-ITSAK））
建筑物的抗震评估和确定其结构损坏是现代科学研究的前沿。从现在起，一些研究人员提出了一些程序，试图估计受到强地面运动的建筑物的破坏反应，而不进行耗时的分析。这些程序，例如脆弱性曲线的构建，通常使用基于统计理论应用的方法。在过去的几十年中，计算机能力的增加导致了基于采用机器学习算法的现代软计算方法的发展。本文试图对各种机器学习方法充分预测R/C建筑物地震反应的能力进行广泛的比较评估。训练数据集是通过对90个具有三种不同砌体填充分布的三维R/C建筑物进行65次地震作用下的非线性时程分析而建立的。地震破坏用最大层间位移比表示。最有效的机器学习算法利用大规模比较研究。实验表明，LightGBM方法产生的训练稳定性，高的整体性能和一个显着的系数的决定，以估计能力，预测建筑物的损坏响应。由于这一问题极为紧迫，平民保护机制需要在其技术系统中纳入科学方法和适当的技术或建模工具，如拟议的工具，这些工具可以为作出最佳决策提供宝贵的帮助。
2022-03-25 cs.AI cs.LG
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 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
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
Malware Evasion Attack and Defense
McAfee（迈克菲）
机器学习（ML）分类器容易受到对抗性样本的影响。一个对抗性的例子是一个输入样本，它被稍微修改以在ML分类器中引起错误分类。在这项工作中，我们调查白盒和灰盒规避攻击ML为基础的恶意软件检测器，并在现实世界中进行性能评估。我们比较了防御方法在减轻攻击。我们提出了一个框架，部署灰盒和黑盒攻击的恶意软件检测系统。
2019-04-16 cs.CR cs.LG stat.ML
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
A comparative study of statistical and machine learning models on near-real-time daily emissions prediction
Capital University of Economics and Business（首都经济贸易大学）
二氧化碳排放量的急剧上升是全球变暖和气候变化的主要原因，对人类生存构成巨大威胁，对全球生态系统产生深远影响。因此，及时准确预测和分析其变化趋势，有效控制二氧化碳排放，为二氧化碳减排措施提供参考是十分必要的。本文基于2020年1月1日至2022年9月30日中国所有行业（电力、工业、地面交通、居民、国内航空、国际航空）的单变量日时间序列数据，选择合适的模型来预测近实时的日排放量。提出了6种预测模型，包括3种统计模型：灰色预测（GM（1，1））、自回归移动平均（ARIMA）和带外生因子的季节自回归移动平均（SARIMAX）; 3种机器学习模型：人工神经网络（ANN）、随机森林（RF）和长短期记忆（LSTM）。为了评价模型的性能，引入了均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分误差（MAPE）和决定系数（）五个指标，并对这五个指标进行了详细讨论。结果表明，3种机器学习模型的性能优于3种统计模型，其中LSTM模型在日排放量预测的5个标准值上表现最好，MSE值为3.5179e-04，RMSE值为0.0187，MAE值为0.0140，MAPE值为14.8291%，MAPE值为0.9844。
2023-02-02 cs.AI cs.LG physics.soc-ph
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
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
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
Machine Learning for Encrypted Malicious Traffic Detection: Approaches, Datasets and Comparative Study
随着人们对个人隐私和数据安全的需求变得优先，加密流量已成为网络世界的主流。但是，流量加密也可以屏蔽对手引入的恶意和非法流量，使其不被检测到。尤其是在后COVID-19环境中，恶意流量加密正在迅速增长。依赖于普通有效负载内容分析（如深度数据包检测）的常见安全解决方案变得毫无用处。因此，基于机器学习的方法已经成为加密恶意流量检测的重要方向。在本文中，我们制定了一个通用的框架，机器学习为基础的加密恶意流量检测技术，并提供了一个系统的审查。此外，由于缺乏公认的数据集和特征集，目前的研究采用不同的数据集来训练他们的模型。因此，它们的模型性能无法进行可靠的比较和分析。因此，在本文中，我们分析，处理和组合来自5个不同来源的数据集，以生成一个全面和公平的数据集，以帮助在这一领域的未来研究。在此基础上，实现并比较了10种加密恶意流量检测算法。然后，我们讨论的挑战，并提出未来的研究方向。
2022-03-17 cs.AI cs.CR 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
A Comparative Study of Sentiment Analysis Using NLP and Different Machine Learning Techniques on US Airline Twitter Data
City University（城市大学）
今天的商业生态系统已经变得非常有竞争力。客户满意度已成为业务增长的主要焦点。商业组织正在花费大量的资金和人力资源在各种战略上，以了解和满足客户的需求。但是，由于对客户多样化需求的人工分析存在缺陷，许多组织无法实现客户满意。因此，他们正在失去客户的忠诚度，并花费额外的钱在营销上。我们可以通过实施情感分析来解决这些问题。它是自然语言处理（NLP）和机器学习（ML）的结合技术。情感分析被广泛用于从特定主题、产品和服务背后的更广泛的公众舆论中提取见解。我们可以从任何在线可用的数据中进行分析。在本文中，我们介绍了两种NLP技术（Bag-of-Words和TF-IDF）和各种ML分类算法（支持向量机，Logistic回归，Multinomial Naive Bayes，Random Forest），以找到一种有效的方法来对大型，不平衡和多类数据集进行情感分析。我们最好的方法提供了77%的准确率，使用支持向量机和逻辑回归与袋的话技术。
2021-10-02 cs.AI cs.CL cs.LG
Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis
East West University（东西大学）
本文提出基于深度神经网络的作物模式识别方法，并与朴素贝叶斯和随机森林进行比较分析，以提升遥感时间序列数据下的作物分类性能。
2024-11-19 cs.CV 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
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
Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse Pre-Processing Techniques and Machine Learning Models
Bangladesh Atomic Energy Regulatory Authority（孟加拉国原子能监管局）；Northumbria University（诺森比亚大学）
本文比较了五种机器学习模型在EEG癫痫发作预测中的表现，发现极端随机树（ET）模型以99.29%的准确率优于其他模型及已有最优结果。
2023-08-06 cs.AI cs.LG eess.SP
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 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
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
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 based Medical Image Deepfake Detection: A Comparative Study
Northwood High School（诺斯伍德高中）；Irvine Unified School District（尔湾联合学区）；Fowler School of Engineering（福勒工程学院）；Chapman University（查普曼大学）
近年来，深度生成网络在消费各种形式的数字信息时加强了谨慎的必要性。Deepfake创建的一个途径是从医学扫描中注射和移除肿瘤。未能检测到医疗深度伪造可能会导致医院资源的重大挫折，甚至导致生命损失。本文试图通过结构化的案例研究来解决此类攻击的检测问题。具体来说，我们评估了八种不同的机器学习算法，包括三种传统的机器学习方法，支持向量机，随机森林，决策树，和五种深度学习模型，DenseNet121，DenseNet201，ResNet50，ResNet101，VGG19，在区分篡改和未篡改图像方面。对于深度学习模型，五种模型用于特征提取，则对每个预训练模型执行微调。这项工作的结果显示，在检测肿瘤注射和切除的情况下，近乎完美的准确性。
2022-04-06 cs.CV 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
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 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
Comparative Analysis of Open Source Frameworks for Machine Learning with Use Case in Single-Threaded and Multi-Threaded Modes
National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"（乌克兰国立技术大学“伊戈尔·西科斯基基辅理工学院”）；University of Paris 8（巴黎第八大学）
考虑并比较了一些最通用和最流行的机器学习开源框架（TensorFlow，Deep Learning4j和H2O）的基本功能。对它们进行了比较分析，并就这些平台的优缺点得出了结论。针对事实标准MNIST数据集的性能测试是在针对单线程和多线程操作模式的CPU和GPU平台设计的深度学习算法的H2O框架上进行的。
2017-06-07 cs.CV cs.DC 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
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 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
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
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
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
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
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
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
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
Modeling Household Online Shopping Demand in the U.S.: A Machine Learning Approach and Comparative Investigation between 2009 and 2017
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Argonne National Laboratory（阿贡国家实验室）；University of California, Berkeley（加州大学伯克利分校）
尽管网上购物的快速增长和研究兴趣之间的关系，在线和实体店购物，国家层面的建模和调查的需求，网上购物的预测重点仍然是有限的文献。本文与之前的工作不同，利用最近发布的2009年和2017年美国全国家庭旅行调查（NHTS）数据来开发机器学习（ML）模型，特别是梯度提升机器（GBM），用于预测家庭级在线购物购买。国家住房跟踪调查数据不仅可以在全国范围内进行调查，而且可以在家庭一级进行调查，鉴于家庭成员的消费和购物需求相互关联，家庭一级的调查比个人一级的调查更合适。我们遵循系统的模型开发程序，包括采用递归特征消除算法来选择输入变量（特征），以降低模型过拟合的风险并提高模型的可解释性。在2009年和2017年之间以比较的方式进行了广泛的建模后调查，包括量化每个输入变量在预测在线购物需求中的重要性，并表征需求和输入变量之间的价值依赖关系。在此过程中，采用了机器学习技术的两个最新进展，即基于Shapley值的特征重要性和累积局部效应图，以克服当前ML建模中流行技术的固有缺点。建模和调查都是在国家一级和三个最大的城市（纽约，洛杉矶和休斯顿）。开发的模型和获得的见解可用于生成与网上购物相关的货运需求，也可用于评估相关政策对网上购物需求的潜在影响。
2021-01-11 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
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
