Kann ein spieltheoretischer Ansatz das maschinelle Lernen verbessern? Diese Arbeit untersucht die theoretischen Grundlagen von adaptiven Neugewichtungs- und Kombinationsalgorithmen (Arcing), wie z. B. Adaboost, indem sie die Vorhersage als Spiel darstellt. Dieser Ansatz bietet neue Einblicke, wie diese Algorithmen den Generalisierungsfehler reduzieren. Die Ergebnisse liefern neue Grenzen für Algorithmen bis heute. Die Studie formuliert die Vorhersage als Spiel zwischen zwei Spielern: Einer wählt Instanzen aus einem Trainingssatz aus, und der andere bildet eine konvexe Kombination von Prädiktoren. Es wird gezeigt, dass bestehende Arcing-Algorithmen zu guten Spielstrategien konvergieren. Ein Minimax-Theorem war ein wesentlicher Bestandteil der Beweise. Während Schapire, Freund, Bartlett und Lee (1997) erklärten, dass Adaboost aufgrund seiner Fähigkeit, hohe Margen zu erzielen, funktioniert, zeigt der empirische Vergleich von Adaboost mit dem optimalen Arcing-Algorithmus, dass ihre Erklärung nicht vollständig ist. Dies deutet auf die Notwendigkeit weiterer Forschung zu den Mechanismen hin, die den Erfolg von Arcing-Algorithmen antreiben. Diese Forschung trägt zur Algorithmen- und maschinellen Lerntheorie bei.
Diese in Neural Computation veröffentlichte Arbeit über Arcing-Algorithmen ist direkt relevant für den Fokus der Zeitschrift auf theoretische und rechnerische Aspekte neuronaler Netze und des maschinellen Lernens. Die Arbeit trägt zum Umfang der Zeitschrift bei, originelle Forschung auf diesem Gebiet zu veröffentlichen. Neural Computation schätzt theoretische Innovationen und algorithmische Fortschritte.