Analysis of boosting algorithms using the smooth margin function
利用平滑间隔函数分析提升算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究提升算法与分类间隔理论，没有明确对应所列经济计量领域的应用或模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用平滑间隔函数分析提升算法
- 研究问题
- 如何用可微的间隔近似分析提升算法的最大间隔收敛，并刻画 AdaBoost 的间隔界及循环行为？
- 方法与思路
- 作者引入平滑间隔函数，构造坐标上升及近似坐标上升提升算法，并用该函数分析其他提升算法的动态性质。
- 材料陈述的贡献
- 摘要称给出所提算法及 arc-gv 的最大间隔收敛率，证明既有 AdaBoost 间隔界精确紧致，并描述循环情形。
- 阅读关注点
- 应核对弱分类器优势范围的具体限制、最大间隔解的定义，以及收敛率、紧界和循环行为各自适用的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供收敛条件和具体界，间隔理论不能直接等同于预测性能优势。
原文摘要
We introduce a useful tool for analyzing boosting algorithms called the “smooth margin function,” a differentiable approximation of the usual margin for boosting algorithms. We present two boosting algorithms based on this smooth margin, “coordinate ascent boosting” and “approximate coordinate ascent boosting,” which are similar to Freund and Schapire’s AdaBoost algorithm and Breiman’s arc-gv algorithm. We give convergence rates to the maximum margin solution for both of our algorithms and for arc-gv. We then study AdaBoost’s convergence properties using the smooth margin function. We precisely bound the margin attained by AdaBoost when the edges of the weak classifiers fall within a specified range. This shows that a previous bound proved by Rätsch and Warmuth is exactly tight. Furthermore, we use the smooth margin to capture explicit properties of AdaBoost in cases where cyclic behavior occurs.