A two-stage hybrid model by using artificial neural networks as feature construction algorithms
Kennesaw State University（肯尼索州立大学）；Atlanticus Services Corporation（大西洋服务公司）
我们提出了一个两阶段的混合方法与神经网络作为新的银行卡响应分类的特征构造算法。混合模型使用一个非常简单的神经网络结构作为新的特征构造工具在第一阶段，然后新创建的功能被用作额外的输入变量在逻辑斯谛回归在第二阶段。并将该模型与传统的单阶段模型在信贷客户反应分类方面进行了比较。据观察，建议的两阶段模型优于一阶段模型的准确性，ROC曲线下的面积，KS统计。通过使用神经网络技术创建新特征，识别变量之间的潜在非线性关系。该模型采用简单的神经网络结构，克服了神经网络训练时间长、拓扑结构复杂、可解释性有限的缺点。
2018-12-06 cs.LG stat.ML
Conditional Random Fields and Support Vector Machines: A Hybrid Approach
The University of Adelaide（阿德莱德大学）；The Australian National University（澳大利亚国立大学）；NICTA（澳大利亚国家信息与通信技术研究院）
我们提出了一种新的混合损失的多类和结构化的预测问题，这是一个凸组合的日志损失条件随机场（CRF）和多类铰链损失的支持向量机（SVM）。我们提供了一个充分条件时，混合损失是Fisher一致的分类。这个条件取决于标签之间的优势度量-具体来说，最可能的标签之间的每个观察概率的差距。我们还证明了Fisher一致性是必要的参数一致性时，学习模型，如CRF。我们的经验表明，混合损失通常执行至少以及-往往优于-它的各种任务的组成损失。在这样做的过程中，我们还提供了一个实证比较的概率和利润率为基础的方法，多类和结构化的预测和标签的优势对这些结果的影响。
2010-09-17 cs.LG
HIPAD - A Hybrid Interior-Point Alternating Direction algorithm for knowledge-based SVM and feature selection
Columbia University（哥伦比亚大学）；Lehigh University（里海大学）；Siemens Corporation（西门子公司）
我们认为，在高维特征空间中，特定的专家知识也是可用的稀缺标记的训练数据的政权的分类任务。我们提出了一种新的混合优化算法，解决了弹性网络支持向量机（SVM）通过交替方向的方法在第一阶段的乘数，其次是一个相邻点的方法在第二阶段的经典SVM。这两个SVM配方都适用于知识整合。我们提出的算法解决了自动特征选择，高优化精度和算法的灵活性，利用先验知识的挑战。我们证明了我们的算法的有效性和效率，并将其与现有的方法在一组合成和真实世界的数据进行比较。
2014-11-16 cs.LG stat.ML
Learning Random Fourier Features by Hybrid Constrained Optimization
Tsinghua University（清华大学）
核嵌入算法是使核方法适应大数据集的重要组成部分。由于该算法在测试阶段消耗了大量的计算成本，我们提出了一种新的教师-学习者框架，从特定的数据中学习计算效率高的内核嵌入。在该框架中，高精度嵌入（教师）将数据信息传递给计算效率高的内核嵌入（学习者）。我们共同选择信息嵌入函数，并追求两个嵌入之间的正交变换。本文提出了一种新的约束变分期望最大化方法，在最大化步骤中，将交替方向乘子法应用于非凸区域。我们还提出了两个具体的配方的基础上流行的随机傅立叶特征（RFF），掩蔽和阻塞版本的计算效率RFF（CERF），通过施加一个随机的二进制掩码或块结构的变换矩阵。通过在不同真实数据集上的几个应用的实证研究，我们证明了CERF显著提高了RFF的核方法的性能，在一定的算术运算要求下，并适用于快餐型算法中的结构化矩阵乘法。
2017-12-07 cs.CV cs.LG stat.ML
Spoken Language Identification Using Hybrid Feature Extraction Methods
本文介绍了混合鲁棒特征提取技术在口语识别系统中的应用。语音识别器使用信号的参数形式来获得语音信号的最重要的可区分特征以用于识别任务。本文将Mel频率倒谱系数（MFCC）、感知线性预测系数（PLP）以及两种混合特征用于语言识别。两个混合特征，树皮频率倒谱系数（BFCC）和修正的感知线性预测系数（RPLP）的组合获得的MFCC和PLP。两种不同的分类器，矢量量化（VQ）与动态时间弯曲（DTW）和高斯混合模型（GMM）用于分类。实验结果表明，与传统的特征提取方法相比，混合特征提取方法具有更好的识别率，BFCC在两种分类器下的性能都优于MFCC。在所有特征提取技术中，RPLP和GMM显示出最好的识别性能。
2010-03-29 cs.LG cs.SD
Attn-HybridNet: Improving Discriminability of Hybrid Features with Attention Fusion
University of Technology Sydney（悉尼科技大学）；Data61, Commonwealth Scientific and Industrial Research Organization, CSIRO（澳大利亚联邦科学与工业研究组织数据61中心）
主成分分析网络（PCANet）是一种无监督的简约深度网络，利用主成分作为卷积层中的过滤器。PCANet虽然功能强大，但它由主成分和空间池化等基本操作组成，这些操作存在两个基本问题。首先，主成分通过将其转换为列向量（我们称之为合并视图）来获取信息，这会导致数据中的空间信息丢失。其次，PCANet中使用的广义空间池会导致特征冗余，也无法适应自然图像的空间统计。在这项研究中，我们首先提出了一种基于张量分解的深度网络，称为张量分解网络（TFNet）。TFNet从数据的空间结构（我们称之为细节视图）中提取特征。然后，我们表明，由PCANet和TFNet获得的信息是独特的和非平凡的，但个别不足。这种现象需要提出HybridNet的发展，它集成了信息发现与数据的两个视图。为了提高混合特征的区分度，我们提出了Attn-HybridNet，它通过执行基于注意力的特征融合来消除特征冗余。我们提出的Attn-HybridNet的重要性在多个真实世界的数据集上得到了证明，其中Attn-HybridNet获得的特征比其他流行的基线方法实现了更好的分类性能，证明了所提出的技术的有效性。
2020-10-14 cs.CV cs.LG
Hybrid Embedded Deep Stacked Sparse Autoencoder with w_LPPD SVM Ensemble
School of Microelectornics and Communication Engineering, Chongqing University（重庆大学微电子与通信工程学院）
深度学习是一种具有很强的非线性特征变换能力的特征学习方法，在人工智能的许多领域中发挥着越来越重要的作用。深度自动编码是深度学习方法中的一种代表性方法，能够有效地提取和抽象数据集的信息。但是，它没有考虑在深特征转换过程中的深特征和原始特征之间的互补性。此外，它还存在小样本问题。为了解决这些问题，本文提出了一种新的深度自编码器-混合特征嵌入堆叠稀疏自编码器（HESSAE）。HFESAE能够在训练期间嵌入原始特征以过滤弱隐藏层输出的帮助下学习判别式深度特征。针对小样本问题限制了抽象信息的类表示能力的问题，设计了一种特征融合策略，旨在将HFESAE学习到的抽象信息与原始特征相结合，获得混合特征进行特征约简。该策略是一种基于L1正则化的混合特征选择策略，然后采用一种支持向量机（SVM）集成模型，在每个基分类器上设计并使用加权局部判别保持投影（w_LPPD）。最后，通过几个具有代表性的公共数据集验证了算法的有效性。实验结果表明，与现有的特征学习算法（包括一些有代表性的深度自动编码方法）相比，该方法具有更好的性能。
2020-02-17 cs.LG
Scene Image Representation by Foreground, Background and Hybrid Features
Deakin University（迪肯大学）
基于深度学习的场景图像表示方法主要考虑前景或背景信息作为分类任务的区分线索。然而，场景图像也需要额外的信息（混合），以应付类间相似性和类内变化的问题。在本文中，我们建议使用混合功能，除了前景和背景功能来表示场景图像。我们认为这三种类型的信息可以共同帮助更准确地表示场景图像。为此，我们采用了在ImageNet，Places和Hybrid（ImageNet和Places）数据集上预训练的三个VGG-16架构，用于相应的前景，背景和混合信息提取。所有这三种类型的深度特征进一步聚合，以实现我们的最终特征的场景图像的表示。在两个大型基准场景数据集（MIT-67和SUN-397）上的实验表明，该方法具有最先进的分类性能。
2020-06-05 cs.CV cs.LG
Incremental Hybrid Ensemble with Graph Attention and Frequency-Domain Features for Stable Long-Term Credit Risk Modeling
Columbia University in the City of New York（哥伦比亚大学（纽约市））
针对长期信用风险预测中数据漂移问题，提出HYDRA-EI混合集成增量学习框架，结合图注意力与频域特征，每周更新并动态调整权重，提升模型稳定性与泛化能力。
2025-10-09 cs.LG
A Hybrid Feature Selection Method to Improve Performance of a Group of Classification Algorithms
Manchester University（曼彻斯特大学）
本文提出了一种混合特征选择方法，该方法利用了包装子集评估的优点，以较低的代价提高了一组分类器的性能。该方法采用样本域滤波和重采样相结合的方法来细化样本域，并采用两种特征子集评价方法来选择可靠的特征。该方法分两个阶段利用特征空间和样本域。第一阶段对样本域进行滤波和重采样，第二阶段采用信息增益、包装子集评估和遗传搜索相结合的方法来寻找最优特征空间。在UCI机器学习数据库中不同类型的数据集上进行实验，结果表明：5种分类器（Naive Bayes、Logistic、Multilayer Perceptron、Best First决策树和JRIP）的平均性能同时提高，分类错误显著降低。实验结果表明，该方法在性能上优于其他特征选择方法，且具有较低的代价。
2014-03-08 cs.LG
A Hybrid Approach for Depression Classification: Random Forest-ANN Ensemble on Motor Activity Signals
K. J. Somaiya Institute of Technology（K·J·索迈亚理工学院）
提出混合随机森林-神经网络算法，利用可穿戴传感器运动信号分类抑郁症，在包含单双相抑郁及健康对照的数据集上达到80%准确率。
2023-10-13 cs.LG
HDF: Hybrid Deep Features for Scene Image Representation
Deakin University（迪肯大学）；Ambition College（雄心学院）
目前，普遍采用从预训练的深度学习模型中提取的特征作为图像表示，这些特征已经取得了很好的分类性能。现有的方法通常只考虑基于对象的特征或基于场景的特征。然而，这两种类型的特征对于场景图像等复杂图像都很重要，因为它们可以相互补充。在本文中，我们提出了一种新的类型的功能-混合深度功能，场景图像。具体来说，我们在两个级别上利用基于对象和基于场景的特征：部分图像级别（即，图像的部分）和整个图像级（即，整个图像），其产生总共四种类型的深度特征。关于部分图像级别，我们还提出了两个新的切片技术来提取部分为基础的功能。最后，我们通过级联运算符聚合这四种类型的深度特征。在场景图像分类任务方面，我们在三个常用的场景数据集（MIT-67，Scene-15和Event-8）上展示了我们的混合深度特征的有效性。广泛的比较表明，我们引入的功能可以产生最先进的分类精度，比所有数据集的现有功能的结果更一致和稳定。
2020-03-22 cs.CV cs.LG
Hybrid machine-learned homogenization: Bayesian data mining and convolutional neural networks
University of Stuttgart（斯图加特大学）
除了通常部署的特征用于微结构性能预测之外，本研究旨在通过开发新的特征描述符来改进机器学习预测。因此，贝叶斯注入的数据采掘进行获取样本包含无法解释的当前特征集的特征，并提出合适的特征描述符来描述这些特征。特征描述符的迭代开发产生了37个新特征，能够将预测误差减少约三分之一。为了进一步改进预测模型，部署卷积神经网络（Conv Nets）以监督机器学习方式生成辅助特征。Conv Nets能够超越基于特征的方法。这方面的一个关键因素是新提出的数据增强计划和所谓的深度初始模块的开发。基于特征的方法和卷积神经网络的组合导致混合神经网络：在单个模型中并行部署两个神经网络原型实现了低于1%的相对均方根误差，与在相同数据上操作的先前模型相比，误差减少了一半以上。混合神经网络被发现足够强大的扩展到预测可变的材料参数，从低到高的相位差，同时允许任意的微观结构的几何形状在同一时间。
2023-02-24 cs.LG
Hybrid FedGraph: An efficient hybrid federated learning algorithm using graph convolutional neural network
The Catholic University of Korea（韩国天主教大学）；Northwestern University（西北大学）
针对现有联邦学习对更常见的混合数据分布场景研究不足的问题，提出通用算法FedGraph，引入图卷积神经网络捕捉特征共享信息，并设计隐私保护的聚类算法聚合客户端深度特征。
2026-11-13 cs.DC cs.LG
IGRF-RFE: A Hybrid Feature Selection Method for MLP-based Network Intrusion Detection on UNSW-NB15 Dataset
Ajou University（亚洲大学）
机器学习模型的有效性受到数据集大小和特征质量的显著影响，因为冗余和不相关的特征可以从根本上降低性能。本文提出了IGRF-RFE：一种混合的特征选择方法，任务是使用多层感知器（MLP）网络的多类网络异常。IGRF-RFE可以被认为是一种基于过滤器特征选择方法和包装器特征选择方法的特征约简技术。在我们提出的方法中，我们使用过滤器特征选择方法，这是信息增益和随机森林重要性的组合，以减少特征子集搜索空间。然后，我们应用递归特征消除（RFE）作为一个包装特征选择方法，以进一步消除冗余特征递归减少的特征子集。基于UNSW-NB 15数据集的实验结果表明，该方法在降低特征维数的同时，提高了异常检测的准确性。实验结果表明，特征维数从42降到23，多分类器的分类准确率从82.25%提高到84.24%。
2023-02-06 cs.CR cs.LG
DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics
DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics（DeepRHP：一种用于设计随机杂合聚合物作为蛋白质模拟物的混合变分自编码器）
提出混合变分自编码器DeepRHP，在半监督框架下结合特征VAE与经典VAE，通过潜在空间捕获关键化学特征与序列模式，指导随机异聚合物设计，实验验证其稳定膜蛋白的有效性。
2026-06-11 cs.LG q-bio.QM stat.AP
Efficient large-scale image retrieval with deep feature orthogonality and Hybrid-Swin-Transformers
NVIDIA（英伟达）
我们提出了一个有效的端到端的管道大规模的地标识别和检索。我们展示了如何结合和增强图像检索的最新研究的概念，并介绍了两种架构，特别适合于大规模的地标识别。讨论了使用EfficientNet骨干以及新型Hybrid-Swin-Transformer的局部和全局特征的深度正交融合（DOLG）模型，并详细说明了如何使用逐步方法和具有动态裕度的子中心弧面损失有效地训练这两种架构。此外，我们阐述了一种新的歧视性的重新排序方法的图像检索。我们的方法的优越性通过赢得2021年Google Landmark竞赛的识别和检索赛道而得到证明。
2021-10-27 cs.CV cs.LG
Atom Search Optimization with Simulated Annealing -- a Hybrid Metaheuristic Approach for Feature Selection
Jadavpur University（jadavpur大学）
“混合元分析”是优化和特征选择（FS）领域中最有趣的近期趋势之一。在本文中，我们提出了原子搜索优化（ASO）的二进制变体和它的混合模拟退火称为ASO-SA技术FS。为了将ASO使用的实值映射到FS的二进制域，我们使用了两种不同的传递函数：S形和V形。我们已经将这种技术与称为SA的本地搜索技术相结合，我们已经将所提出的特征选择方法应用于来自4个不同类别的25个数据集：UCI，手写数字识别，文本，非文本分离和面部情感识别。我们使用了3种不同的分类器（K-最近邻，多层感知器和随机森林）来评估所选择的二进制ASO，ASO-SA特征的强度，并与最近的一些基于包装器的算法的结果进行了比较。实验结果证实了所提出的方法的优越性，无论是在分类精度和选择的功能数量。
2020-05-10 cs.CV cs.LG cs.NE
Towards Hybrid-grained Feature Interaction Selection for Deep Sparse Network
McGill University（麦吉尔大学）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东省人工智能与数字经济实验室（深圳））；City University of Hong Kong（香港城市大学）；FiT, Tencent（腾讯FiT）
本文提出混合粒度特征交互选择方法OptFeature，同时从特征域和特征值两个粒度高效选择特征交互，并在三个大规模真实数据集上验证了其准确性与效率。
2023-10-30 cs.IR cs.LG
A Kriging-Random Forest Hybrid Model for Real-time Ground Property Prediction during Earth Pressure Balance Shield Tunneling
Hunan University（湖南大学）
本文提出Kriging-随机森林混合模型，融合先验外推与实时盾构参数预测地层特性，在长沙地铁4号线达到93%准确率，优于LightGBM、AdaBoost-CART和DNN，并在深圳地铁13号线验证了跨区域泛化能力。
2023-05-09 cs.AI cs.LG
RNNoise-Ex: Hybrid Speech Enhancement System based on RNN and Spectral Features
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
最近对利用深度学习技术进行噪声抑制的兴趣导致了将经典信号处理与深度学习相结合的混合去噪系统的创建。在本文中，我们集中精力扩展RNNoise去噪系统（arXiv：1709.08243），在训练阶段包含互补特征。我们提出了一个全面的解释修改后的系统的设置过程，并提出了比较结果来自性能评估分析，使用参考版本的RNNoise作为控制。
2021-05-25 cs.LG cs.SD eess.AS
HCVR: A Hybrid Approach with Correlation-aware Voting Rules for Feature Selection
AI and Data Science Department at PICT, Pune（PICT, Pune 的人工智能与数据科学系）；Indian Institute of Technology Bombay（印度理工学院班加罗尔）
本文提出HCVR方法，通过结合P2P和P2T相关性投票规则进行混合式特征选择，在SPAMBASE数据集上相比传统非迭代和迭代方法提升了分类性能。
2025-07-02 cs.AI cs.LG
Classification of ECG based on Hybrid Features using CNNs for Wearable Applications
University College Dublin（都柏林大学学院）；National University of Singapore（新加坡国立大学）
心源性猝死和心律失常占全世界所有死亡的很大比例。心电图（ECG）是最广泛使用的心血管疾病筛查工具。传统上，ECG信号是手动分类的，需要经验和很高的技能，同时耗时且容易出错。因此，机器学习算法由于其执行复杂数据分析的能力而被广泛采用。从ECG中的感兴趣点（主要是Q、R和S）导出的特征被广泛用于心律失常检测。在这项工作中，我们使用混合特征和三种不同的模型，在我们过去提出的1-D卷积神经网络（CNN）模型的基础上，证明了ECG分类的改进性能。在这项工作中提出的RR间期特征为基础的模型达到了98.98%的准确性，这是一个基线模型的改进。为了使模型不受噪声影响，我们使用频率特征更新了模型，并在存在噪声的情况下获得了良好的持续性能，准确率略低，为98.69%。此外，另一个模型相结合的频率特征和RR间隔特征的开发，实现了99%的高精度与良好的持续性能，在嘈杂的环境中。由于其高精度和抗噪性，该模型结合了多种混合功能，非常适合于流动可穿戴传感应用。
2022-06-14 cs.LG eess.SP
Automatic Detection of Satire in Bangla Documents: A CNN Approach Based on Hybrid Feature Extraction Model
Shahjalal University of Science & Technology（沙赫贾拉尔科技大学）
讽刺新闻在网络社区中的广泛传播是一种持续的趋势。讽刺的本质是如此的模棱两可，有时甚至连人类都很难理解它是否真的是讽刺。因此，对这一领域的研究兴趣越来越大。本研究的目的是检测孟加拉国讽刺新闻在在线新闻门户网站以及社交媒体上的传播。在本文中，我们提出了一种混合技术，从文本文档中提取特征结合Word2Vec和TF-IDF。使用我们提出的特征提取技术，与标准的CNN架构，我们可以检测是否孟加拉语文本文档是讽刺或没有超过96%的准确率。
2019-11-19 cs.CL cs.IR cs.LG
A Bayesian Multiscale Deep Learning Framework for Flows in Random Media
University of Notre Dame（圣母大学）
由多尺度偏微分方程（PDE）控制的复杂系统的细尺度模拟计算量很大，已经开发了各种多尺度方法来解决这些问题。此外，它是具有挑战性的开发精确的代理和不确定性量化模型的随机多尺度偏微分方程使用有限的训练数据的高维问题。在这项工作中，为了解决这些挑战，我们引入了一种新的混合深度学习和多尺度方法，用于训练数据有限的随机多尺度偏微分方程。为了演示的目的，我们专注于多孔介质流动问题。我们使用图像到图像的监督深度学习模型来学习输入渗透率场和多尺度基函数之间的映射。我们引入贝叶斯方法，这个混合框架，使我们能够执行不确定性量化和传播任务。这种混合方法的性能进行了评估与不同的固有维数的渗透率场。数值结果表明，混合网络可以有效地预测高维输入。
2021-06-22 cs.LG physics.comp-ph
ADAPT: Hybrid Prompt Optimization for LLM Feature Visualization
ADAPT通过结合束搜索与自适应梯度突变，改进LLM特征可视化方法，实现更高效的特征激活优化。
2026-02-19 cs.CL cs.LG
Explainable Hybrid Feature Selection for Intrusion Detection in Internet of Medical Things Environments
Badji Mokhtar University（巴吉·莫克塔大学）；University of Bari（巴里大学）
针对医疗物联网网络防护难题，提出结合皮尔逊相关滤波、模型特征重要性与SHAP归因的混合特征选择方法，在两个公开数据集上实现特征大幅缩减且分类性能接近全特征模型，可用于资源受限医疗网络。
2026-09-15 cs.CR cs.LG
A Hybrid Computational Intelligence Framework for scRNA-seq Imputation: Integrating scRecover and Random Forests
University of Technology Sydney, Australia（悉尼科技大学）；University of Sydney, Australia（悉尼大学）；Asia Pacific International College (APIC), Parramatta, NSW, Australia（亚太国际学院）；Lincoln Institute of Higher Education (LIHE), Sydney, Australia（林肯高等教育研究所）；The Institute of International Studies (TIIS), Sydney, Australia（国际研究学院）
本文提出SCR-MF框架，结合scRecover和随机森林，实现scRNA-seq数据补全，兼顾准确性和效率，适用于中等规模单细胞数据集。
2026-09-21 cs.AI cs.LG q-bio.GN
Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification
Robert College of Istanbul（伊斯坦布尔罗伯特学院）
本文提出一种混合量子-经典卷积神经网络架构，利用量子电路与经典特征融合提升乳腺肿瘤二分类性能，通过统计检验验证量子方法在医学图像分类中的有效性。
2026-05-10 cs.AI cs.LG eess.IV
QuFeX: Quantum feature extraction module for hybrid quantum-classical deep neural networks
Viterbi School of Engineering, University of Southern California, Los Angeles, California 90089, USA；Information Sciences Institute, University of Southern California, Arlington, VA 22203, USA；Department of Physics；Center for Quantum Information Science \& Technology, University of Southern California, Los Angeles, California 90089, USA
QuFeX通过在混合量子-经典深度神经网络中引入量子特征提取模块，提升了图像分割任务的性能。
2026-01-14 cs.AI cs.LG quant-ph
Multi-Modal Hybrid Deep Neural Network for Speech Enhancement
Institute of High Performance Computing（高性能计算研究所）；Institute for Infocomm Research（资讯通信研究院）
深度神经网络（DNN）已经成功地增强了噪声语音信号。通过学习从受损语音信号的特征到参考干净语音信号的特征的非线性映射函数来实现增强。预测特征的质量可以通过提供对噪声鲁棒的附加侧信道信息（诸如视觉提示）来提高。在本文中，我们提出了一种新的深度学习模型的灵感来自人类的视听感知的见解。在所提出的统一混合架构中，来自处理视觉线索的卷积神经网络（CNN）的特征和来自处理音频信号的完全连接的DNN的特征使用双向长短期记忆（BiLSTM）网络来集成。使用反向传播联合学习混合模型的参数。我们比较了混合模型与传统DNN和BiLSTM模型的增强语音质量。
2016-06-15 cs.LG cs.NE cs.SD
Hybrid Residual Attention Network for Single Image Super Resolution
Kyung Hee University（庆熙大学）
卷积神经网络（CNN）特征的提取和合理利用对图像超分辨率（SR）的性能有着重要的影响。虽然CNN特征包含空间和信道信息，但是由于使用空间或信道信息，SR上的当前深度技术通常遭受最大化性能。此外，它们将此类信息集成到深度或广度的网络中，而不是利用所有可用的功能，最终导致高计算复杂性。为了解决这些问题，我们提出了一个二值化的特征融合（BFF）结构，利用从残差组（RG）中提取的特征，在一个有效的方式。每个残差组（RG）由多个混合残差注意力块（HRAB）组成，该混合残差注意力块有效地将多尺度特征提取模块和通道注意力机制集成在单个块中。此外，我们使用具有不同膨胀因子的膨胀卷积来提取多尺度特征。我们还建议采用全局，短和长跳过连接和剩余组（RG）结构，以减轻信息流，而不会丢失重要的功能细节。在本文中，我们称之为混合剩余注意力网络（HRAN）的整体网络架构。在实验中，我们已经观察到我们的方法对最先进的方法进行定量和定性比较的有效性。
2019-07-11 cs.CV cs.LG eess.IV
Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts
该研究针对分布偏移问题，提出AIHW方法，通过分离系统偏移与残余随机扰动并权衡两类不确定性，在多站点数据集上验证其可降低均方误差、提升覆盖范围，具有良好鲁棒性。
2026-08-04 cs.LG math.ST stat.ME
Hybrid moderation in the newsroom: Recommending featured posts to content moderators
KNAW Meertens Instituut（荷兰皇家艺术与科学学院梅滕斯研究所）；Utrecht University（乌得勒支大学）
本文提出结合用户与文本特征、按类别概率排序的评论推荐系统，辅助新闻审核员选择精选帖子，并通过离线指标与专家评估验证其有效性。
2023-07-14 cs.CL cs.IR cs.LG
A Machine Learning based Hybrid Receiver for 5G NR PRACH
Indian Institute of Technology Madras（印度马德拉斯理工学院）
针对5G NR PRACH传统相关性接收机在高衰落和低信噪比下易出现虚假峰值与漏检的问题，提出一种结合神经网络前导码检测与传统峰值检测定时提前量估计的混合接收机，在仿真与真实数据集上均表现更优。
2024-11-03 cs.AI cs.IT cs.LG
Lightweight Quantum-Enhanced ResNet for Coronary Angiography Classification: A Hybrid Quantum-Classical Feature Enhancement Framework
Second Clinical Medical College, Nanjing Medical University（南京医科大学第二临床医学院）
本文提出轻量级量子增强型ResNet用于冠状动脉造影图像分类，通过混合量子-经典特征增强提升诊断准确性。
2026-01-22 cs.AI cs.LG quant-ph
Hybrid Deep Learning and Handcrafted Feature Fusion for Mammographic Breast Cancer Classification
Salzburg University of Applied Sciences（萨尔茨堡应用科学大学）；University of Salzburg（萨尔茨堡大学）；University of Evry Paris-Saclay（巴黎-萨克雷大学）
提出融合 ResNet-50、DINOv2 与手工特征的混合框架，在 CBIS-DDSM 上提升乳腺钼靶癌分类性能，并兼顾简洁性与计算效率。
2025-07-26 cs.CV cs.LG eess.IV
Working Memory for Online Memory Binding Tasks: A Hybrid Model
School of Mathematics, Institute for Research in Fundamental Sciences (IPM)（基础科学研究所数学学院（IPM））
工作记忆是大脑中保存和处理在线信息的模块。在这项工作中，我们设计了一个混合模型，其中一个简单的前馈网络耦合到一个平衡的随机网络通过一个读写向量称为接口向量。三种情况下，他们的结果进行了讨论类似的n-back任务，一阶记忆绑定任务，广义一阶记忆任务，二阶记忆绑定任务。重要的结果是，我们的工作记忆的双组件模型表现出良好的性能与学习仅限于前馈组件。在这里，我们利用了随机网络的特性，而无需学习。最后，一个更复杂的内存绑定任务称为，一个基于线索的内存绑定任务，其中的线索是作为输入表示的绑定关系，提示网络选择有用的内存块。据我们所知，这是第一次随机网络作为一个灵活的记忆被证明在在线绑定任务中发挥重要作用。我们可以将我们的结果解释为工作记忆的候选模型，其中前馈网络学习与临时存储随机网络交互，作为注意力控制执行系统。
2020-12-12 cs.AI cs.LG cs.NE
