本文提出了一种广泛且通用的框架，通过精确分析和确定弱分类器的最优需求，以及设计最有效的某种算法来应对多类别分类中存在的问题。
Aug, 2011
通过提出一种随机增强算法，我们构建了一个通用框架，将样本压缩方法扩展到支持基于子采样的随机学习算法，并输出具有单对数依赖性的投票分类器的泛化误差，相比于已知可实现的一般的弱到强学习器，我们的算法在训练样本数量方面具有更好的表现。
Feb, 2024
本文将扩展反推理论以解决在线学习中的回归问题，提出了两种弱学习算法模型，并提出一种在线梯度推进算法将弱学习算法转化为强学习算法，同时介绍了一种更简单的反推算法，并证明了其最优性。
Jun, 2015
研究在线提升的两种算法：boost-by-majority 和自适应在线提升算法，证明其在可接受精度下基本上是最优的。两种算法都能处理样本的重要性权重，并且使用了在线损失最小化技术。
Feb, 2015
该研究分析了梯度下降算法，引入了新的弱学习器性能度量，并扩展了 Boosting 方法，以支持任意凸损失函数，并给出了相应的弱到强的收敛结果。
May, 2011
本文提出了一种名为 LocalBoost 的弱监督增强框架，从两个维度（即源内和源间）迭代地增强集成模型，进而在七个数据集上达到了优于基准 boosting 方法和其他弱监督方法的表现。
Jun, 2023
本文研究了在线增强学习的任务，重点探讨在线弱分类器的不同之处，提出了一种新颖的在线增强算法，并通过理论分析设计了算法参数以及确定弱分类器个数等问题，实验结果表明所提出的算法比现有的在线算法效果更好。
Jun, 2012
本研究表明，基于提示的大型语言模型可以有效地作为弱学习器，并用于表格数据的增强算法中，它能够生成表格数据样本的文本描述，并作为分类的模板，能够完成较小幅度的提高，证明了这种大型语言模型不仅可以作为少样本学习本身，而且可以作为更大的机器学习管道的组成部分。
本研究探讨弱监督学习的泛化特性，证明了借助弱标签可以显著加速强任务的学习速率，实现 O (1/n) 的快速率，研究结果可适用于各类任务，说明弱标签如何加速强任务的学习。
Feb, 2020
本文探讨了 Boosting 算法在包括 AdaBoost 和 logistic loss 的一系列算法下，通过将弱分类器组合成低风险预测器，构建高熵分布以使得弱分类器和训练标签互不相关，证明了弱可学习性有助于整个算法族，所有 epsilon>0 情况下，只需 O (ln (1/epsilon)) 次迭代即可生成预测器，使得其经验风险与最小值之间的误差为 epsilon，同时证明了将任意实例分解为两个步骤，从而为逻辑回归损失提供匹配的下限。
Jan, 2011