集成模型和平均模型有什么区别？

Question

在机器翻译中，序列到序列模型变得非常流行。他们经常使用一些技巧来提高性能，例如集成或平均一组模型。这里的逻辑是错误将“平均”。

据我了解，平均模型只是取 X 个模型的参数的平均值，然后创建一个可用于解码测试数据的单一模型。 Ensembling，但是平均每个模型的输出。这需要更多的资源，因为 X 模型必须提供输出，而平均模型仅在测试数据上运行一次。

这里到底有什么区别？输出有何不同？在我的测试中，这两种方法都比基线分数略有提高。这让你想知道如果人们也可以平均的话，为什么还要为合奏而烦恼。然而，在我遇到的所有神经机器翻译论文中，人们谈论的是集成而不是平均。为什么是这样？有没有关于平均的论文（特别是 seq2seq 和机器翻译相关的论文）？

非常感谢任何帮助！

Answer 1

Ensembling 是一个更笼统的术语。 Bagging 和 boosting 是集成方法的示例。

例如，随机森林不只是平均决策树，它使用bagging - 首先随机采样数据和特征，然后在此基础上训练树（使用所有数据/特征没有多大意义，因为树会真的很像）。