محققان در مقاله جدیدی سراغ یکی از چالشهای قدیمی الگوریتمهای Boosting رفتند: «تکرار و افزونگی» (Redundancy). در حالت عادی، مدلهای بوستینگ با تکرار روی خطاهای قبلی، دچار همبستگیهای غیرضروری میشوند.
مدل جدیدی به نام SCBoost معرفی شده که با استفاده از تکنیک «تعامد پسماند» (Residual Orthogonalization) و دو مکانیسم کلیدی، به جای تکرار کارهای قبلی، روی نوآوریهای مدل در هر مرحله تمرکز میکند. این یعنی:
✅ کاهش افزونگی یادگیرندهها
✅ افزایش دقت و بهبود امتیاز F1 در مدلها
✅ رویکرد هندسی دقیقتر برای درک رفتار مدلهای یادگیری ماشین
این پیشرفت میتواند راه را برای ساخت مدلهای یادگیری ماشین کارآمدتر و دقیقتر هموار کند. 🧠💻
منبع: arXiv Machine Learning