研究人员为 AdaBoost 算法建立了一个紧致的泛化界限，详细说明了其误差率与弱学习器优势、VC 维度、样本量和置信度参数等因素的关系。该论文提出了一个新的上界，结合现有的下界，可以精确表征 AdaBoost 的泛化误差。这项工作对于理解该集成学习方法的理论性能极限具有重要意义。 AI
影响 为对基础集成学习算法提供更精确的理论理解。
排序理由 学术论文，详细介绍了机器学习的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2607.26838v1 Announce Type: new Abstract: In this paper we show that the generalization error of AdaBoost is $\Theta\big(\tfrac{d\ln(n\gamma^{2}/d)}{n\gamma^2}+\tfrac{\ln(1/\delta)}{n}\big)$, where $\gamma$ is the advantage guaranteed by the weak learner, $d$ is the VC-dime…