关键词boosted decision trees
搜索结果 - 9
- 可证明鲁棒性提升的决策树与决策桩抵御对抗攻击
本文研究了提升决策树和决策桩的对抗性稳健性问题,并提出了一种快速计算精确的 min-max 鲁棒损失和测试误差的方法,并给出了一个高效的集成优化算法;同时,为提升树提出了一种基于上界的对稳健损失的优化算法,该方法在 MNIST,FMNIST - 使用增强决策树和生成式深度神经网络的高效蒙特卡罗积分
本研究开发和测试了基于生成放大的决策树和深度神经网络的 Monte Carlo 积分算法,相较于现有算法,这两种算法均在对于不可分解积分的情况下,在给定目标函数评估数量的前提下展现了相当大的精度提高。在这些算法的稳健性被证明并对应矩阵元素的 - 增强还是不增强?关于使用增强树在物体检测方面的极限
该研究旨在研究现有的提升决策树分类器的建模局限性,通过实验发现,恰当的数据集大小和属性可以将模型模拟得更好,但模型有其局限性,需要进行架构改变来与深度架构竞争。
- 基于自动上下文的高效二维和三维立面分割
本文介绍了一种快速高效的建筑立面二维图像和三维点云分割技术。该技术采用标准分割方法并训练一系列增强决策树,使用自动上下文特征进行学习。实验结果表明,该方法表现优异,并且在所有可用的二维和三维立面基准数据集上均有经验结果。该方法易于实施、易于 - 深度神经网络的好处
研究证明利用半代数节点的神经网络比常规 ReLU 节点的神经网络、带 ReLU 和最大化节点的卷积神经网络、乘积求和网络、以及提升的决策树,需要更少的层数和节点才能实现模拟函数。
- 使用图割和增强决策树的监督哈希
本文介绍了一种灵活而简单的框架,该框架可以容纳不同类型的损失函数和哈希函数,并可将现有方法放在上下文中,并简化了新问题特定哈希方法的开发。我们提出了一个具有 Hash 编码和 Hash 函数学习两个步骤的框架,其中前一步通常可以被表述为二次 - NIPS局部去相关以提升检测性能
该研究提出了一种有效的特征转换方法,该方法可以在计算成本的大幅降低的情况下,优于原始特征进行施工的正交决策树,并可用于快速坚硬物体检测。在 Caltech 行人数据集上的结果显示,该方法有效减少了假阳性,显著提高了检测精度。
- 利用决策树进行高维数据的快速监督哈希
本文利用增强决策树来实现哈希中的非线性,提出了基于次模形式的哈希二进制码推断问题和用于解决大规模哈希推断的高效 GraphCut 块搜索方法。实验证明,该方法在检索准确性和训练时间方面显著优于大多数最先进的方法,尤其是对于高维数据,该方法的 - 从 Boosting 获取校准的概率
本文探讨了 AdaBoost 在预测概率时存在的失真问题,并介绍了三种校正方法:Platt Scaling,Isotonic Regression 和 Logistic Correction,在实验中发现 Logistic Correcti