在线坐标增强
摘要：一个新的在线提升算法用于适应加权分类器的权重，较之前的在线提升算法，它能更接近Freund和Schapire的AdaBoost算法。同时，我们提出了一种以前的在线提升算法的全新推导方法。我们假设弱假设是事先选择好的，只有它们的权重在在线提升过程中被更新。当以增量形式观察AdaBoost的损失时，更新规则是通过最小化参数得到的。方程表明，优化计算量很大。然而，快速的在线近似是可能的。我们在合成数据集上比较了近似误差和批量AdaBoost，在人脸数据集和MNIST数据集上比较了泛化误差。
作者：Raphael Pelossof, Michael Jones, Ilia Vovsha, Cynthia Rudin
论文ID：0810.4553
分类：Machine Learning
分类简称：stat.ML
提交时间：2008-10-28