EARCP：自调节协调感知式序列决策集成架构
摘要
我们提出EARCP（Ensemble Auto-Régulé par Coherence et Performance，即自调节协调感知式集成架构），一种新型的集成架构，通过动态加权异构专家模型的表现和模型间的相互一致性来实现自适应。不同于依赖静态或离线学习组合的传统集成方法，EARCP 通过一种原则性的在线学习机制持续调整模型权重，该机制在高效利用表现良好的模型的同时，通过一致性信号引导探索。该架构将乘性权重更新算法的理论基础与一种新颖的协调性正则化项相结合，既提供了通过后悔绑定保证的理论依据，又在非平稳环境中实现了实际的鲁棒性。我们形式化了EARCP框架，证明了在标准假设下其 O(sqrt(T log M)) 的亚线性后悔界，并通过在序列预测任务上的实证评估展示了其有效性，包括时间序列预测、活动识别和金融预测。该架构被设计为一个通用的框架，可应用于任何需要处理具有时间依赖性的集成学习的领域。一个开源实现已在 https://github.com/Volgat/earcp 上提供，并通过 PyPI（pip install earcp）可用。
引用
@article{arxiv.2603.14651,
title = {EARCP: Self-Regulating Coherence-Aware Ensemble Architecture for Sequential Decision Making -- Ensemble Auto-Regule par Coherence et Performance},
author = {Mike Amega},
journal= {arXiv preprint arXiv:2603.14651},
year = {2026}
}
备注
13 pages, 1 table, 1 algorithm. Open-source implementation available at https://github.com/Volgat/earcp and via pip install earcp. Dual-licensed: free for academic researchers, students, and organizations with gross revenue under $100,000/year; commercial license required for organizations exceeding this threshold (contact author)