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

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

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

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

本文提出了一种新的增强算法 ProBoost，它利用每个训练样本的认识不确定性确定最具挑战性 / 不确定性的样本，从而使得下一个弱学习器的相关性得到提高，生成一个逐渐聚焦于具有最高不确定性的样本的序列。此外，还介绍了三种操作训练集的方法和两种集成组合的方法，并对基于变分推断或蒙特卡洛丢失的不确定性估计的概率模型进行了研究。在 MNIST 基准数据集上进行的实验评估表明，ProBoost 能够显著提高性能。

Sep, 2022

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

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

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

本文提出了一种将多分类降维转化为二分类的在线算法，证明了更紧凑且完整的增强理论，并将结果直接转化为算法，证明了该算法相对于之前的算法不仅速度更快，而且在统计学性能上更优秀。

Jun, 2016

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