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。我们研究的是一个有界的二元函数集的推广问题,而不是一个新的有界的二元函数集的推广问题。


zbMATH中的参考文献(参考 433篇文章 参考,1标准件)

显示433个结果中的1到20个。
按年份排序(引用)

1 2 ... 20 21 22 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. 藤田、高弘;Hatano、Kohei;Takimoto、Eiji:超越非确定性ZDD(2020年)
  3. 赖元浩;麦克劳德,伊恩:集合分位数分类器(2020)
  4. Lopes,Miles E.:估计随机群的急剧收敛界(2020)
  5. van Engelen,Jesper E.;Hoos,Holger H.:半监督学习调查(2020)
  6. 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)
  7. Aravkin,Aleksandr Y.;Bottegal,Giulio;Pillonetto,Gianluigi:《作为基于内核的方法的提升》(2019年)
  8. 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)
  9. Biau,G.;干部,B.;Rouvière,L.:加速梯度推进(2019年)
  10. Blachnik,Marcin:实例选择方法的集合:比较研究(2019)
  11. Bourel,Mathias;Cugliari,Jairo:密度估计器的包装(2019年)
  12. 蔡国强、杨国强、陈国强、潘岳、吕娇娇:《城市轨道车辆滚动轴承EMD与GNN-adaboost故障诊断》(2019)
  13. Conaty,Diarmaid;Martínez del Rincon,Jesús;de Campos,Cassio P.:使用鲁棒性的和积网络的层次结构(2019)
  14. Gosztolya,Gábor;Busa Fekete,Róbert:校准AdaBoost用于音素分类(2019)
  15. Steve Hanneke;Yang,Liu:被动和主动学习中的替代损失(2019)
  16. 韩旭:超高维稀疏数据条件下严格凸损失下的非参数筛选(2019)
  17. Li,Xiang;Liu,Zhanli;Cui,Shaoqing;Roo,Chengcheng;Li,Chenfeng;Zhuang,Zhuo:通过基于图像的建模和深度学习预测异质材料的有效力学性能(2019)
  18. Lopes,Miles E.:通过引导法估计随机集合的算法方差(2019年)
  19. 罗,程;张,波;项,杨;齐,曼:高斯-伽马协同过滤:推荐系统的分层贝叶斯模型(2019)
  20. Pham,Tuan M.;Doan,Danh C.;Hitzer,Eckhard:AdaBoost算法基于平面旋转人脸检测的共形几何代数特征提取(2019)

1 2 ... 20 21 22 下一个