我想结合五个神经网络的输出，每个神经网络都有一个三个类别的 softmax 输出层。典型的示例输出如下所示：-
其中图 1 是模型 1 的输出，模型 2 的图 2 等，y 轴显示输出值，x 轴是（金融）的时间戳时间序列。蓝线代表“买入”，红线代表“卖出”，黄线代表“什么都不做”。由于softmax层的输出总和为1，每个“信号”的值可以被认为是一个概率，所以我的问题是：我怎样才能将这五个独立的概率输出组合成一个“全局”概率输出？
这可能不是直截了当的，因为五个输出不是独立的，因为
- 尽管在 NN 训练中模型假设和目标不同
- 不同的模型输出之间存在明显（并且不足为奇）的相关性
- 每个模型中都存在自相关，并且由于上述 2，这种自相关在模型之间是相关的。
我曾想过在模型中取一个简单的总和，然后为每个不同的输出（蓝色、红色或黄色）除以 5，但从直觉上看，这似乎不是正确的做法。
我可用的另一组有用信息是第六个神经网络的输出，其 softmax 输出层有五个类，其中每个类输出是附加到上述五个 NN 模型中的每一个作为“真实”模型的“概率”，给定第六个神经网络的输入特征。这表明我应该研究最大似然或贝叶斯更新之类的东西，但我不确定我应该从这里去哪里。