AdaboSt.MH

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,我们考虑在一组最坏情况下的在线框架中的一组选项中动态分配资源的问题。我们研究的模型可以被解释为一个广泛的,抽象的扩展研究良好的在线预测模型到一般的决策理论设置。我们表明,乘法权重更新Littlestone Warmuth规则可以适用于这个模型,在一些情况下产生稍微弱的边界,但适用于一个相当一般的学习问题。我们展示了如何产生的学习算法可以应用于各种问题,包括赌博,多个结果预测,重复游戏,预测点$ $ BFR^ N$。在本文的第二部分中,我们采用乘法权重更新技术推导出一种新的Boosting算法。这种提升算法不需要任何关于弱学习算法的性能的先验知识。我们还研究了新的Boosting算法推广到学习函数的问题,其范围不是二进制,而是一个任意的有限集合或实线的有界段。


ZBMaX中的参考文献(430篇)1标准条款

显示结果1至20的430。
按年份排序(引文
  1. Connamacher,哈罗德;Pancha,尼基尔;刘,芮;瑞,Soumia:\TexScRangkBooto(+):对Tr.ScRangkBoobe(2020)的改进
  2. 藤田,Takahiro;Hatano,Kohei;Takimoto,Eij:提升非确定性ZDDS(2020)
  3. Lai,Yuanhao;麦克劳德,伊恩:集合分位数分类器(2020)
  4. Lopes,Miles E.:估计随机集合的一个清晰收敛界(2020)
  5. van Engelen,Jesper E.;HoOS,Holger H.:半监督学习综述(2020)
  6. 朱,齐屋;熊,青玉;王,凯;鲁,王;刘,佟:基于模糊WiFi的复杂环境下基于模糊分类器和MLP集成的室内定位(2020)
  7. Aravkin,Aleksandr Y.;Bottegal,Giulio;Pillonetto,GiangLuigi:Boosting作为基于内核的方法(2019)
  8. Baumann,P;HoobBum,D. S.;Yang,Y. T.:领先机器学习技术和两种新的优化算法的比较研究(2019)
  9. Biau,G;干部B,Rouvie,L.加速梯度提升(2019)
  10. Blachnik,Marcin:实例选择方法的集合:比较研究(2019)
  11. Bourel,马蒂亚斯;CuGalayi,Jairo:密度估计的装袋(2019)
  12. CAI,Guoqiang;杨,陈;潘岳;吕,焦娇:城市轨道车辆滚动轴承EMD和GNN AdaBoost故障诊断(2019)
  13. CalATy,DARMAMID;MaldNez Del林孔,Jes S;de Campos,Cassio P.:使用鲁棒性的和积网络的层次结构(2019)
  14. GasZtoLya,Ga Bor;Busa Fekete,R伯特:AdaBoost用于音素分类的校准(2019)
  15. Hanneke、史提夫、杨、刘:被动学习与主动学习中的替代损失(2019)
  16. HAN,徐:超高维稀疏数据在条件严格凸损失下的非参数筛选(2019)
  17. Lopes,Miles E.:通过Bootstrap估计随机化集合的算法方差(2019)
  18. 罗,程;张;博城;Xiang,杨;齐,曼:高斯伽马协同过滤:推荐系统的层次贝叶斯模型(2019)
  19. Pham,Tuan M.;Doo. Danh C.;HiTZE.ECKHARD:基于共形几何代数的AdaBoost算法在平面旋转人脸检测中的特征提取(2019)
  20. Vandoni,珍妮佛;Aldea,伊曼纽尔;Le He Galas-MasCull,Selvi:委员会主动学习用于高密度人群中行人检测的证据查询(2019)