On the Bayes-risk consistency of regularized boosting methods
正则化提升方法的贝叶斯风险一致性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：摘要属于通用分类学习理论，未涉及经济选择行为或所列宏观、金融预测任务。
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…
关注这篇论文的作者
正则化提升方法的贝叶斯风险一致性
- 研究问题
- 由简单基分类器的凸组合构成的 boosting 分类器，在什么条件下能使分类错误风险趋近贝叶斯最优风险？
- 方法与思路
- 作者研究某些正则化 boosting 算法，以贝叶斯分类器可由基分类器凸组合逼近为条件，并建立非渐近分布无关界。
- 材料陈述的贡献
- 摘要称，这些算法在所述逼近条件下具有贝叶斯风险一致性，所得非渐近界也帮助解释 boosting 的分类表现。
- 阅读关注点
- 应核对适用算法、正则化规则与逼近条件的确切定义，以及分布无关界如何关联样本量、分类器复杂度和错误风险。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出具体算法、正则化取值及界的形式，不能推断刊本变化。
原文摘要
The probability of error of classification methods based on convex combinations of simple base classifiers by "boosting" algorithms is investigated. The main result of the paper is that certain regularized boosting algorithms provide Bayes-risk consistent classifiers under the sole assumption that the Bayes classifier may be approximated by a convex combination of the base classifiers. Nonasymptotic distribution-free bounds are also developed which offer interesting new insight into how boosting works and help explain its success in practical classification problems.