GAdaBoost：基于粒球结构的高效鲁棒 AdaBoost 算法
机器学习
2025-06-18 v2
摘要
自适应提升（AdaBoost）面临标签噪声带来的严峻挑战，尤其是在多类分类任务中。现有方法要么缺乏有效处理标签噪声的机制，要么因冗余数据使用而导致计算成本高昂。受粒计算的启发，本文提出了粒自适应提升（GAdaBoost），一种包含数据粒化阶段和自适应提升阶段的新颖两阶段框架，旨在增强噪声条件下的效率与鲁棒性。为验证其可行性，提出了 SAMME 的扩展版本，称为 GAdaBoost.SA。具体而言，首先设计了一种粒球生成方法，在保持数据多样性和缓解标签噪声的同时压缩数据。其次，基于粒球的 SAMME 算法将重点放在粒球而非单个样本上，提高了效率并降低了对噪声的敏感性。在多个含噪数据集上的实验结果表明，与现有方法相比，所提方法实现了更优的鲁棒性和效率，证明本工作有效扩展了 AdaBoost 和 SAMME。
引用
@article{arxiv.2506.02390,
title = {GAdaBoost: An Efficient and Robust AdaBoost Algorithm Based on Granular-Ball Structure},
author = {Qin Xie and Qinghua Zhang and Shuyin Xia and Xinran Zhou and Guoyin Wang},
journal= {arXiv preprint arXiv:2506.02390},
year = {2025}
}