村田，Noboru;Takashi Takeouchi;高福美·卡纳莫里;神道江口 （U）-Boost和Bregman散度的信息几何。 （英语） Zbl 1102.68489号 神经计算。 16，第7期，1437-1481（2004）. 摘要：我们的目标是将AdaBoost扩展到\（{\mathcal U}\）-Boost，以从一组弱学习机器中构建一个更强的分类机器。对一般凸函数定义的Bregman散度的几何理解导致了信息几何框架下的Boost方法，该方法扩展到标签集上的有限测度空间。考虑到区域是否局限于概率函数空间，我们提出了两种版本的（{mathcal U}）-Boost学习算法。在连续步骤中，我们观察到两个相邻分类器和初始分类器通过Bregman散度与标尺中的直角三角形关联，称为毕达哥拉斯关系。这导致了期望最大化算法中所看到的\（{\mathcal U}\）-Boost算法的温和收敛性。一致性和稳健性的统计讨论阐明了基于训练数据随机假设的（{mathcal U}）-Boost方法的特性。 引用于42文件 MSC公司： 68问题32 计算学习理论 68T05年 人工智能中的学习和自适应系统 关键词：分类机;学习机器 PDF格式BibTeX公司 XML格式引用 \textit{N.Murata}等人，《神经计算》。16，第7号，1437--1481（2004；Zbl 1102.68489） 全文： 内政部 参考文献： [1] DOI:10.1016/0893-6080（95）00003-8·doi:10.1016/0893-6080（95）00003-8 [2] 内政部：10.1109/18.256500·Zbl 0818.68126号 ·doi:10.1109/18.256500 [3] DOI:10.1214/aos/1016218223·Zbl 1106.62323号 ·doi:10.1214操作系统/1016218223 [4] 内政部：10.1162/089976602760128045·Zbl 1019.94506号 ·doi:10.11162/0899760262760128045 [5] DOI:10.1016/0893-6080（96）00000-7·doi:10.1016/0893-6080（96）00000-7 [6] 内政部：10.1109/72.329683·doi:10.1109/72.329683 [7] Schapire R.E.，机器学习5，第197页–（1990） [8] 内政部：10.1214/aos/1024691352·Zbl 0929.62069号 ·doi:10.1214/aos/1024691352 [9] 内政部：10.1162/089976604322860695·Zbl 1097.68608号 ·doi:10.1162/089976604322860695 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。