存在标签噪声下的 Boosting
机器学习
2013-09-27 v1 机器学习
摘要
已知 Boosting 对标签噪声敏感。我们研究了两种提高 AdaBoost 对抗标签错误鲁棒性的方法。一种是采用对标签噪声鲁棒的分类器作为基学习器，另一种是修改 AdaBoost 算法使其更具鲁棒性。实证评估表明，鲁棒分类器的委员会虽然比非标签噪声感知的 AdaBoost 收敛更快，但仍易受标签噪声影响。然而，将其与我们在此提出的新鲁棒 Boosting 算法配对使用，可产生一种在错误标记下更具弹性的算法。
引用
@article{arxiv.1309.6818,
title = {Boosting in the presence of label noise},
author = {Jakramate Bootkrajang and Ata Kaban},
journal= {arXiv preprint arXiv:1309.6818},
year = {2013}
}
备注
Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)