综述：变革食品完整性：利用集成学习算法的力量

本综述系统阐述了集成学习（Ensemble Learning）算法在食品完整性（涵盖真实性、安全性与品质）分析中的前沿应用。通过整合多种光谱（如FT-IR、NIR、RS）与色谱（如GC-MS、HPLC）技术产生的高维数据，集成方法（如随机森林、梯度提升）显著提升了模型预测精度、灵敏度及特异性，为食品欺诈检测、污染物识别和产地溯源提供了高效解决方案。

　　

Fundamentals of Ensemble learning

集成学习的核心思想是通过结合多个基学习器（base learners）的预测结果来提升整体模型的性能与鲁棒性。类比于集思广益的决策过程，集成方法能够有效降低过拟合风险并提高泛化能力。主要策略包括Bagging（如随机森林RF）通过 Bootstrap 采样构建并行模型并投票聚合结果；Boosting（如梯度提升机GBM）则序列化训练模型，逐步修正前序误差；此外还有Stacking 通过元学习器整合异质模型的输出。这些方法在处理高维、非线性化学数据时展现出显著优势。

Ensemble learning algorithms in food integrity problems

在食品真实性领域，集成学习已广泛应用于产地溯源、品种鉴别和掺假检测。例如：

• •

  基于NIR光谱与RF算法可准确区分不同地理标志的蜂蜜（准确率>95%）；

• •

  采用GBM结合HSI数据实现了橄榄油中低价油掺假的定量分析（误差<2%）；

• •

  通过Stacking整合多种色谱数据（GC×GC-TOF-MS）提升了咖啡豆 authenticity 鉴定精度。

在食品安全方面，集成方法用于快速检测污染物：

• •

  RF模型与荧光光谱联用可识别食品中的微塑料残留（灵敏度达98%）；

• •

  基于Boosting的算法通过ICP-MS数据实现了重金属（如Pb、Cd）的超痕量预警；

• •

  结合UPLC/Q-TOF-MS与集成学习可同步筛查农药多残留。

对于食品品质评价：

• •

  利用FT-IR与RF分类器预测乳制品的新鲜度（与微生物指标相关性R²>0.9）；

• •

  通过Ensemble学习融合多源数据（理化指标+光谱）优化了肉类品质分级标准。

Discussion and Future outlook

当前研究凸显了集成学习在应对食品复杂基质挑战时的优越性，尤其在处理光谱/色谱产生的高阶数据时。未来趋势包括：

1. 1.

   开发轻量化集成模型适配便携式检测设备（如微型NIRS）；

2. 2.

   结合深度学习特征提取进一步优化多模态数据融合策略；

3. 3.

   建立标准化验证框架以提升模型跨实验室可重复性；

4. 4.

   拓展至实时监测场景（如生产线在线质控）。

Conclusion

集成学习算法通过协同多个弱学习器构建强预测模型，为食品完整性分析提供了高效、稳健的解决方案。其与快速无损检测技术（如FT-IR、NIRS）的结合，有望成为应对全球食品欺诈与安全挑战的关键工具，未来需重点关注算法可解释性及产业化落地路径。

CRediT authorship contribution statement

Samaneh Ehsani：原始稿件撰写；Philipp Weller：稿件修订、原始撰写与概念化；Hadi Parastar：原始撰写、项目管理、方法论与概念化。

Declaration of Competing Interest

作者声明无已知竞争性财务利益或个人关系。

Acknowledgement

本研究获伊朗国家科学基金会（INSF No. 4027604）资助，Hadi Parastar感谢亚历山大·冯·洪堡基金会支持。