Jun, 2024

自适应增强和动态权重调整

PDF
TL;DRAdaptive Boosting with Dynamic Weight Adjustment improves efficiency and accuracy in ensemble learning by dynamically updating instance weights based on prediction error, resulting in a more flexible and effective approach for boosting in challenging classification tasks.
adaptive boostingdynamic weight adjustmentensemble learningprediction errorclassification tasks
发现论文，激发创造
  • 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

  • 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

  • 适应性增强与公平感知重新加权技术的公平分类

    提出了一种新颖的公平 AdaBoost（FAB）方法，通过公平感知的权重调整技术实现公平分类，并在维持 AdaBoost 的优势的同时，几乎不牺牲预测性能。在实际数据集上进行的实证结果表明，FAB 在公平性和准确性的权衡方面优于同类方法。

    Jan, 2024

  • 深度增量提升

    本文介绍一种新技术 Deep Incremental Boosting，它是从 AdaBoost 发展而来，并专门适用于 Deep Learning 方法，它可以缩短训练时间并提高泛化能力。作者借鉴了 Transfer of Learning 方法，以减少每个增量 Ensemble 成员的启动时间，我们展示了一系列在一些常见 Deep Learning 数据集上的实验，印证了一些初步结果，并讨论了 Deep Incremental Boosting 对传统 Ensemble 方法在 Deep Learning 方面带来的潜在改进。

    Aug, 2017

  • AdaFair: 累积公平自适应提升算法

    研究机器学习如何处理公平性和防止基于敏感属性的预测性歧视问题，并提出一种名为 AdaFair 的基于 AdaBoost 分类器的方法，该方法显式地处理类别不平衡并在维持分类准确性的同时优化公平性，实验证明其在平衡错误方面比现有的公平性方法表现显著好 25％。

    Sep, 2019

  • AdaCC: 累积代价敏感增强学习用于不平衡分类

    本文提出了一种新的成本敏感的提升方法 AdaCC，该方法不依赖于固定的错误分类成本矩阵，而是根据模型性能动态调整误分类成本，优于 12 种现有方法，在 27 个真实世界数据集上实现了稳定的改进。

    Sep, 2022

  • 机器学习中的动态模型切换以提高准确度

    本研究通过动态模型切换的新范式，应对了机器学习中数据集不断变化的挑战，引入了一个自适应集成模型，能够根据数据集的演变智能地在 CatBoost 和 XGBoost 之间切换，以优化预测准确性。

    Jan, 2024

  • 通过自适应损失平衡在神经网络中进行任意时刻的预测学习

    通过从辅助预测中提取 “Anytime” 预测，优化自适应加权和的辅助损失，以平衡损失以相同的比例进行优化的神经网络。实验证明，采用自适应加权的任意神经网络（ANNs）可在较小的网络上比使用静态常数权重的大型网络更快地实现相同的准确性。

    Aug, 2017

  • 无监督领域自适应的动态加权学习

    本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

    Mar, 2021

  • 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