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,1标准件)

显示463个结果中的1到20个。
按年份排序(引用)

1 2 ... 22 23 24 下一个

  1. Calder,Jeff;Drenska,Nadejda:与历史相关专家在线预测的渐近最优策略(2021)
  2. Carmelia,Carmelia,Carmelia,Carmelia,基于皮肤的恶性病变识别;Carmelia,Carmelia,2020;基于皮肤的动态分割;Carmelia,Carmilia;Carmelia;Carmelia,Carmilia,2020)
  3. Bauvin,Baptiste;Capboni,Cécile;Roy,Jean-Francis;Laviolette,Francis:快速贪婪(\mathcalC)边界的保证最小化(2020)
  4. Andrea Cappozzo;Greselin,Francesca;Murphy,Thomas Brendan:基于裁剪和约束的基于模型的分类的稳健方法。存在异常值和标签噪声的半监督学习(2020)
  5. Chaabane,Ikram;Guermazi,Radhouane;Hammami,Mohamed:从不平衡数据学习决策树的增强技术(2020)
  6. 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
  7. 范俊;项道红:基于核的大边际统一机的定量收敛性分析(2020)
  8. 藤田、高弘;Hatano、Kohei;Takimoto、Eiji:超越非确定性ZDD(2020年)
  9. Gweon,Hyukjun;Li,Shu;Mamon,Rogemar:大型可变年金投资组合估值的有效偏差修正套袋法(2020)
  10. 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)
  11. 赖元浩;麦克劳德,伊恩:集合分位数分类器(2020)
  12. 拉夫拉契纳达;什克尔吉,布拉ž;罗布尼克-西康贾,马尔科:命题和嵌入:同一硬币的两面(2020)
  13. Liu,Lin;Mukherjee,Rajarshi;Robins,James M.:基于机器学习估计因果参数的名义置信区间覆盖率的几乎无假设检验(2020)
  14. Lopes,Miles E.:估计随机群的急剧收敛界(2020)
  15. 陆海浩;马祖德,拉胡尔:随机梯度推进机(2020)
  16. Mišić,Velibor V.:树木组合优化(2020年)
  17. Nguyen,Thi Thang Sang;Do,Pham Minh Thu:用NaiveBayes训练大型数据集的分类优化(2020)
  18. Ruehle,Fabian:数据科学在弦理论中的应用(2020)
  19. Sies,Aniek;Van Mechelen,Iven:C443:以树换林的方法论(2020)
  20. 谭志浩;谭志浩;蒋、袁;周志华:多标签最优利润分配机(2020)

1 2 ... 22 23 24 下一个