论文纲要：鉴于凸丢失的多类分门别类体味危害最小化本领的相容性
在统计进修表面中分门别类算法的相容性是一个特殊要害的观念. 一个满意相容性的分门别类器能保护只有取充满多的样品就能大概地重构出未知的散布. 咱们商量在多类分门别类中体味危害最小化算法的相容性, 咱们所作的处事即是: 给出多类分门别类题目的分门别类缺点和其凸危害后, 探求符合的前提来创造两者之间数目联系, 与往常的截止各别, 咱们的前提是径直用凸丢失因变量表白的. 同声咱们也举例说领会少许罕见的算法满意那些前提. 在多类分门别类的Tsybakov 噪声前提下, 咱们给出了一个更紧的界. 咱们将用上述联系来创造一种体味危害最小化算法的相容性，这种算法是将少许大略分门别类准则（或称弱分门别类器）举行加权拉拢而得出最后的分门别类的. 结果，咱们给出一种多类分门别类的AdaBoost 算法，它鉴于多类分门别类的弱分门别类算法, 是二类分门别类AdaBoost 的径直实行. 它计划出的权重系数一直正数, 罢了有的多类分门别类AdaBoost 算法AdaBoost.M1 所不许满意的. 咱们将表明这种算法本质上是在体味危害最小化规则下极小化指数体味危害的梯度低沉法.
