由间隔分布引导的森林表示学习

在本文中，我们将森林表示学习方法重新表述为一种加性模型，该模型提升增广特征而非预测值。当λ（间隔标准差与间隔均值之比）足够小时，我们将泛化差距的上界从$\mathcal{O}(\sqrt\frac{\ln m}{m})$显著改进至$\mathcal{O}(\frac{\ln m}{m})$。这一更紧的上界启发我们优化间隔分布比λ。因此，我们设计了间隔分布重加权方法（mdDF），通过提升增广特征来实现较小的λ比。实验与可视化证实了该方法在性能和表示学习能力方面的有效性。本研究从间隔理论视角对级联深度森林提供了新颖理解，并进一步利用mdDF方法引导逐层森林表示学习。