Robustes Boosting durch konvexe Optimierung

Lernmaschinen extrahieren Informationen aus einer gegebenen Menge von Trainingsbeispielen, so dass sie in der Lage sind, Eigenschaften von bisher ungesehenen Beispielen – z.B. eine Klassenzugehörigkeit – vorherzusagen. Wir betrachten den Fall, bei dem die resultierende Klassifikationsoder Regressionsregel aus einfachen Regeln – den Basishypothesen – zusammengesetzt ist. Die sogenannten Boosting-Algorithmen erzeugen iterativ eine gewichtete Summe von Basishypothesen, die gut auf ungesehenen Beispielen vorhersagen. In der Dissertation wurden folgende Sachverhalte behandelt: