AdaBoost.MH版

在线学习的决策理论推广及其在boosting中的应用。在本文的第一部分中,我们考虑在最坏情况下的在线框架下,在一组选项之间动态分配资源的问题。我们所研究的模型可以解释为一个广泛的,抽象的扩展的在线预测模型研究一般的决策理论背景。我们证明了乘性权值更新Littlestone-Warmuth规则可以适用于该模型,在某些情况下会产生稍微较弱的界,但适用于一类相当普遍的学习问题。我们展示了所得到的学习算法是如何应用于各种问题的,包括赌博,多结果预测,重复博弈,以及在$ bfR^n$中预测点数。在论文的第二部分,我们应用乘性权值更新技术来推导一个新的boosting算法。这种boosting算法不需要任何关于弱学习算法性能的先验知识。我们还研究了新boosting算法在学习函数问题上的推广,其范围不是二进制的,而是任意有限集或实线的有界线段。


zbMATH中的参考文献(引用于,1标准件)

显示结果1到20,共442个。
按年份排序(引用)

1 2 ... 21 22 23 下一个

  1. 康纳马赫,哈罗德;潘查,尼基尔;刘,芮;雷,苏梅亚:\textscRankboost(+):对\textscRankboost(2020)的改进
  2. 范俊;项道红:基于核的大边际统一机的定量收敛性分析(2020)
  3. 藤田、高弘;Hatano、Kohei;Takimoto、Eiji:超越非确定性ZDD(2020年)
  4. 洪英超;米查利迪斯,乔治;柏海乐,贺拉斯:定位计算机实验中的无限间断(2020)
  5. 赖元浩;麦克劳德,伊恩:集合分位数分类器(2020)
  6. Lopes,Miles E.:估计随机群的急剧收敛界(2020)
  7. Nguyen,Thi Thang Sang;Do,Pham Minh Thu:用NaiveBayes训练大型数据集的分类优化(2020)
  8. Ruehle,Fabian:数据科学在弦理论中的应用(2020)
  9. 谭志浩;谭志浩;蒋、袁;周志华:多标签最优利润分配机(2020)
  10. van Engelen,Jesper E.;Hoos,Holger H.:半监督学习调查(2020)
  11. Wang,Jie;Wang,Bo;Liang,Jing;Yu,Kunjie;Yue,Caitong;Ren,襄阳:基于多模态多目标差分进化和特征选择的集成学习(2020)
  12. Yang,Wenzhuo;Sim,Melvyn;Xu,Huan:目标得分、一致性损失和在机器学习中的应用(2020)
  13. 赵鹏;蔡乐文;周志华:通过模型重用处理概念漂移(2020)
  14. 朱启武、熊庆宇、王凯、吕、王、刘、童:复杂环境下基于模糊分类器和mlps集成的精确WiFi室内定位(2020)
  15. Aravkin,Aleksandr Y.;Bottegal,Giulio;Pillonetto,Gianluigi:《作为基于内核的方法的提升》(2019年)
  16. Baumann,P.;Hochbaum,D.S.;Yang,Y.T.:领先的机器学习技术和两种新优化算法的比较研究(2019年)
  17. Besbes,Omar;Gur,Yonatan;Zeevi,Assaf:具有非固定报酬的多武装匪徒问题中的最优勘探开发(2019年)
  18. Biau,G.;干部,B.;Rouvière,L.:加速梯度推进(2019年)
  19. Blachnik,Marcin:实例选择方法的集合:比较研究(2019)
  20. Bourel,Mathias;Cugliari,Jairo:密度估计器的包装(2019年)

1 2 ... 21 22 23 下一个