論文の概要: Overview of AdaBoost : Reconciling its views to better understand its dynamics

• arxiv url: http://arxiv.org/abs/2310.18323v1
• Date: Fri, 6 Oct 2023 08:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-05 14:05:20.981842
• Title: Overview of AdaBoost : Reconciling its views to better understand its dynamics
• Title（参考訳）: adaboostの概要 : そのダイナミクスの理解を深めるために
• Authors: Perceval Beja-Battais (CB)
• Abstract要約: 1995年、FreundとSchapireはAdaBoostを導入した。 本稿では、AdaBoostで得られるすべてのビューをカバーしようとします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boosting methods have been introduced in the late 1980's. They were born following the theoritical aspect of PAC learning. The main idea of boosting methods is to combine weak learners to obtain a strong learner. The weak learners are obtained iteratively by an heuristic which tries to correct the mistakes of the previous weak learner. In 1995, Freund and Schapire [18] introduced AdaBoost, a boosting algorithm that is still widely used today. Since then, many views of the algorithm have been proposed to properly tame its dynamics. In this paper, we will try to cover all the views that one can have on AdaBoost. We will start with the original view of Freund and Schapire before covering the different views and unify them with the same formalism. We hope this paper will help the non-expert reader to better understand the dynamics of AdaBoost and how the different views are equivalent and related to each other.
• Abstract（参考訳）: 1980年代後半には昇圧方式が導入された。 彼らはPAC学習の理論的側面に従って生まれた。 強化手法の主な考え方は、弱い学習者を組み合わせて強力な学習者を得ることである。 弱い学習者は、前の弱い学習者の誤りを正そうとするヒューリスティックによって反復的に得られる。 1995年、freundとschapireは、今日でも広く使われているブースティングアルゴリズムであるadaboostを導入した。 それ以来、アルゴリズムの力学を適切に解き明かすために多くの見解が提案されている。 本稿では、AdaBoostで得られるすべてのビューをカバーしようとします。 まずFreundとSchapireのオリジナルのビューから始め、異なるビューをカバーし、それらを同じフォーマリズムで統一する。 この論文は、AdaBoostのダイナミクスと、異なるビューがどのように同等で、相互に関連があるのかをよりよく理解するのに役立ちます。

関連論文リスト

• ReconBoost: Boosting Can Achieve Modality Reconcilement [89.4377895465204]
  我々は、調和を達成するために、モダリティ代替学習パラダイムについて研究する。 固定モードを毎回更新するReconBoostと呼ばれる新しい手法を提案する。 提案手法はFriedman's Gradient-Boosting (GB) アルゴリズムに似ており,更新された学習者が他者による誤りを訂正できることを示す。
  論文  参考訳（メタデータ） (2024-05-15T13:22:39Z)
• Multiclass Boosting: Simple and Intuitive Weak Learning Criteria [72.71096438538254]
  実現可能性の仮定を必要としない,単純かつ効率的なブースティングアルゴリズムを提案する。 本稿では,リスト学習者の向上に関する新たな結果と,マルチクラスPAC学習の特徴付けのための新しい証明を提案する。
  論文  参考訳（メタデータ） (2023-07-02T19:26:58Z)
• The Impossibility of Parallelizing Boosting [56.24620522825757]
  並列化促進の可能性について検討する。 私たちの主な貢献は強い負の結果であり、トレーニングに必要なコンピューティングリソースの総量に対して、大幅な並列化が急激な爆発を必要としていることを示唆している。
  論文  参考訳（メタデータ） (2023-01-23T18:57:16Z)
• Chaos is a Ladder: A New Theoretical Understanding of Contrastive Learning via Augmentation Overlap [64.60460828425502]
  コントラスト学習の下流性能に関する新たな保証を提案する。 我々の新しい理論は、攻撃的なデータ強化の下で、異なるクラス内サンプルのサポートがより重なり合うという知見に基づいている。 本稿では、下流の精度とよく一致した教師なしモデル選択距離ARCを提案する。
  論文  参考訳（メタデータ） (2022-03-25T05:36:26Z)
• PRBoost: Prompt-Based Rule Discovery and Boosting for Interactive Weakly-Supervised Learning [57.66155242473784]
  弱教師付き学習(WSL)は,多くのNLPタスクにおいてラベル不足に対処する上で有望な結果を示した。 提案モデルであるPRBoostは、反復的なプロンプトベースのルール発見とモデル強化によってこの目標を達成する。 4つのタスクの実験では、PRBoostは最先端のWSLベースラインを7.1%まで上回っている。
  論文  参考訳（メタデータ） (2022-03-18T04:23:20Z)
• Quantum Boosting using Domain-Partitioning Hypotheses [0.9264464791978363]
  ブースティングは、弱い学習者をPAC学習フレームワークの強力な学習者に変換するアンサンブル学習法である。 Q-RealBoostは、弱い学習者のバイアスと弱い学習者がターゲット概念クラスを学習するのに要する時間の両方の観点から、Q-AdaBoostを高速化することを示した。
  論文  参考訳（メタデータ） (2021-10-25T10:46:13Z)
• The Success of AdaBoost and Its Application in Portfolio Management [0.6562256987706128]
  AdaBoostが成功した分類器である理由を説明するための新しいアプローチを開発する。 バイナリ分類問題に対するトレーニングデータにおけるノイズポイント(ION)の影響の尺度を導入することにより、IONとテストエラーとの間に強い関係があることを証明します。 adaboostを中国市場における実証研究を通じてポートフォリオ管理に適用し,理論的な提案を裏付ける。
  論文  参考訳（メタデータ） (2021-03-23T06:41:42Z)
• MP-Boost: Minipatch Boosting via Adaptive Feature and Observation Sampling [0.0]
  MP-BoostはAdaBoostを緩くベースとしたアルゴリズムで、インスタンスと機能の小さなサブセットを適応的に選択することで学習する。 様々な二項分類タスクにおいて,提案手法の解釈可能性,比較精度,計算時間について実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-14T04:26:13Z)
• Improved Quantum Boosting [1.0660480034605238]
  Arunachalam と Maity は、Freund と Schapire の AdaBoost アルゴリズムと近似カウントのための量子アルゴリズムを組み合わせることで、最初の量子改良を行った。 本稿では,ServedioのSmoothBoostアルゴリズムに基づく,より高速でシンプルな量子ブースティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-17T15:16:42Z)
• On the Dual Formulation of Boosting Algorithms [92.74617630106559]
  AdaBoost,LogitBoost,Soft-marginBoostのラグランジュ問題は、すべて一般化されたヒンジ損失エントロピーの双対問題であることを示す。 これらのブースティングアルゴリズムの2つの問題を見て、より良いマージン分布を維持するという観点から、ブースティングの成功を理解することができることを示す。
  論文  参考訳（メタデータ） (2009-01-23T02:14:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。