Oct, 2023

AdaBoost 综述：和解视角以更好地理解其动态

PDF
TL;DR通过整合多个弱学习器以构建强学习器，本论文综合了多个视角对 AdaBoost 算法的动态性进行探究，并将它们以相同的形式统一起来，旨在帮助非专业读者更好地理解 AdaBoost 的动态和各种视角之间的等价性和关联性。
boosting methodsweak learnersadaboostviewsdynamics
发现论文，激发创造
  • 解读分析计算在 AdaBoost 编码中的失效

    AdaBoost 不是真正的优化算法，而是一种将多个弱分类器组合成强分类器的方法，它的结果可以通过真值表进行明确计算。本研究以两个类别的问题为例，以三个二元分类器为例，与 Python 库 scikit-learn 中的 AdaBoost 算法进行比较。

    Aug, 2023

  • 在线坐标升压

    我们提出了一种新的在线增强算法，用于调整分类器权重，该算法与 Freund 和 Schapire 的 AdaBoost 算法更接近，同时还贡献了一种得出在线算法的新方法，其将以前的在线增强工作联系在一起。

    Oct, 2008

  • 量子提升

    本文研究了一种利用量子技术改进 AdaBoost 算法，实现在 Boolean 概念类中比传统算法具有二次量子改进的时间复杂度，为弱学习算法提供了新思路。

    Feb, 2020

  • 一种带有理论证明的在线 Boosting 算法

    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

  • 在线 GentleAdaBoost -- 技术报告

    我们研究了在线版本的 GentleAdaboost，通过在线方式将弱学习器与强学习器相结合。我们提供了一种将批量方法扩展为在线方法的途径，并通过线搜索的应用进行了理论上的证明。最后，我们将我们的在线增强方法与其他在线方法在各种基准数据集上进行了比较。

    Aug, 2023

  • 在线 boosting 的最优与自适应算法

    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

  • 多类别 Boosting 理论

    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

  • 标签噪声存在时的 Boosting

    研究两种方法来提高 AdaBoost 算法对标签误差的鲁棒性，一种是使用标签噪声鲁棒的分类器作为基础学习器，另一种则是修改 AdaBoost 算法以提高鲁棒性。实证评估表明，鲁棒分类器的集合虽然比不考虑标签噪声的 AdaBoost 算法收敛得更快，但仍容易出现标签误差。然而，将其与我们在此提出的新的鲁棒 Boosting 算法配对，能够获得更具弹性的算法。

    Sep, 2013

  • 多类别提升：简单直观的弱学习准则

    将增强学习推广到多类别情景中，引入了适用于多类别分类的弱学习条件，提出了一种简单高效的增强学习算法，并在列表式 PAC 学习的背景下应用其新的增强技术，证明了其可行性和可靠性。

    Jul, 2023

  • AdaBoost 算法的收敛速度

    本文研究了 AdaBoost 算法的收敛速度，证明了其迭代收敛速度具有多项式上界，同时提供了针对多项式依赖的下界，在不需要弱学习假设和指数损失最小值有限等限制的情况下实现了优化的结果。

    Jun, 2011