集成学习
机器学习领域的核心范式，将多个弱学习器或差异化模型的预测结果综合，获得比单一模型更稳健的输出，代表算法包括Bagging、Boosting、Random Forest、XGBoost等
核心事实
时间轴 (近 90 天)
多提示聚合借鉴了集成学习降低方差的思路：对同一评估任务构造多个语义等价但措辞不同的提示，分别获取评审判决，再通过投票、平均或一致性加权进行合并。
模型间一致性（IMA）借鉴了集成学习与多标注者一致性研究的思路，其核心假设是不同LLM因训练数据、架构和微调策略差异带有不同系统性偏差。
未来的研究可以探索 SEED-MAX 框架在深度学习特征层剪枝、集成学习基学习器选择等场景中的应用潜力。
分位数回归、集成学习和贝叶斯方法三种不确定性估计路径各有取舍：分位数回归计算最省，集成学习实现简单但训练成本高，贝叶斯方法理论最优雅但收敛慢。
单棵决策树最大的问题是方差高、容易过拟合，集成学习通过高偏差换低方差的权衡来弥补这一缺陷
Dnipro采用的多维度交叉验证方法本质上是一种集成学习(Ensemble Learning)思想
利用不同模型训练哲学差异进行对抗性协作，本质上是集成学习（Ensemble Learning）思想在Agent层面的应用
全部知识事实 (11)
深度集成（Deep Ensemble）训练多个独立网络并综合其预测分布，性能最优但计算成本最高
75%已验证Gradient Boosting是一类集成学习算法，通过迭代训练弱学习器（通常是决策树），每个新模型专注于纠正上一轮的残差
65%待验证集成学习的主要流派包括Bagging（降低方差）、Boosting（降低偏差）和Stacking
60%待验证多模型交叉验证的方法论源于机器学习领域的集成学习（Ensemble Learning）思想
60%待验证多提示聚合借鉴了集成学习降低方差的思路：对同一评估任务构造多个语义等价但措辞不同的提示，分别获取评审判决，再通过投票、平均或一致性加权进行合并。
50%待验证模型间一致性（IMA）借鉴了集成学习与多标注者一致性研究的思路，其核心假设是不同LLM因训练数据、架构和微调策略差异带有不同系统性偏差。
50%待验证分位数回归、集成学习和贝叶斯方法三种不确定性估计路径各有取舍：分位数回归计算最省，集成学习实现简单但训练成本高，贝叶斯方法理论最优雅但收敛慢。
50%待验证单棵决策树最大的问题是方差高、容易过拟合，集成学习通过高偏差换低方差的权衡来弥补这一缺陷
50%待验证Dnipro采用的多维度交叉验证方法本质上是一种集成学习(Ensemble Learning)思想
50%待验证利用不同模型训练哲学差异进行对抗性协作，本质上是集成学习（Ensemble Learning）思想在Agent层面的应用
50%待验证未来的研究可以探索 SEED-MAX 框架在深度学习特征层剪枝、集成学习基学习器选择等场景中的应用潜力。
50%