Buchumschlag

Understanding Gradient Boosting Classifier: Training, Prediction, and the Role of $γ_j$

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Chen, Hung-Hsuan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Understanding Prediction Discrepancies in Machine Learning Classifiers
von: Renard, Xavier, et al.
Veröffentlicht: (2021)

XGrad: Boosting Gradient-Based Optimizers With Weight Prediction
von: Guan, Lei, et al.
Veröffentlicht: (2023)

Gradient Boosting Reinforcement Learning
von: Fuhrer, Benjamin, et al.
Veröffentlicht: (2024)

Thinking Deeper, Not Longer: Depth-Recurrent Transformers for Compositional Generalization
von: Chen, Hung-Hsuan
Veröffentlicht: (2026)

CeRA: Overcoming the Linear Ceiling of Low-Rank Adaptation via Capacity Expansion
von: Chen, Hung-Hsuan
Veröffentlicht: (2026)

Multivariate Beta Mixture Model: Probabilistic Clustering With Flexible Cluster Shapes
von: Hsu, Yung-Peng, et al.
Veröffentlicht: (2024)

Flexible Bivariate Beta Mixture Model: A Probabilistic Approach for Clustering Complex Data Structures
von: Hsu, Yung-Peng, et al.
Veröffentlicht: (2025)

Dynamic DropConnect: Enhancing Neural Network Robustness through Adaptive Edge Dropping Strategies
von: Yang, Yuan-Chih, et al.
Veröffentlicht: (2025)

SCPL: Enhancing Neural Network Training Throughput with Decoupled Local Losses and Model Parallelism
von: Ho, Ming-Yao, et al.
Veröffentlicht: (2026)

Certification for Differentially Private Prediction in Gradient-Based Training
von: Wicker, Matthew, et al.
Veröffentlicht: (2024)

Understanding the Role of Training Data in Test-Time Scaling
von: Javanmard, Adel, et al.
Veröffentlicht: (2025)

SecureBoost+: Large Scale and High-Performance Vertical Federated Gradient Boosting Decision Tree
von: Fan, Tao, et al.
Veröffentlicht: (2021)

Closed-Form Interpretation of Neural Network Classifiers with Symbolic Gradients
von: Wetzel, Sebastian Johann
Veröffentlicht: (2024)

Shifting the Gradient: Understanding How Defensive Training Methods Protect Language Model Integrity
von: Grant, Satchel, et al.
Veröffentlicht: (2026)

Supervised Score-Based Modeling by Gradient Boosting
von: Zhao, Changyuan, et al.
Veröffentlicht: (2024)

AXIL: Exact Instance Attribution for Gradient Boosting
von: Geertsema, Paul, et al.
Veröffentlicht: (2023)

X-SAM: Boosting Sharpness-Aware Minimization with Dominant-Eigenvector Gradient Correction
von: Duan, Hongru, et al.
Veröffentlicht: (2026)

Gradient Inversion Transcript: Leveraging Robust Generative Priors to Reconstruct Training Data from Gradient Leakage
von: Chen, Xinping, et al.
Veröffentlicht: (2025)

Contrastive ECOC: Learning Output Codes for Adversarial Defense
von: Chou, Che-Yu, et al.
Veröffentlicht: (2025)

FPBoost: Fully Parametric Gradient Boosting for Survival Analysis
von: Archetti, Alberto, et al.
Veröffentlicht: (2024)

UTBoost: Gradient Boosted Decision Trees for Uplift Modeling
von: Gao, Junjie, et al.
Veröffentlicht: (2023)

Gradient Boosting within a Single Attention Layer
von: Sargolzaei, Saleh
Veröffentlicht: (2026)

DeInfoReg: A Decoupled Learning Framework for Better Training Throughput
von: Huang, Zih-Hao, et al.
Veröffentlicht: (2025)

Gradient-Optimized Fuzzy Classifier: A Benchmark Study Against State-of-the-Art Models
von: Sieverding, Magnus, et al.
Veröffentlicht: (2025)

An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models
von: Li, Jinbo, et al.
Veröffentlicht: (2025)

Multi-class Classifier based Failure Prediction with Artificial and Anonymous Training for Data Privacy
von: Das, Dibakar, et al.
Veröffentlicht: (2022)

ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast
von: Xu, Wanghan, et al.
Veröffentlicht: (2024)

Boosting Gradient Ascent for Continuous DR-submodular Maximization
von: Zhang, Qixin, et al.
Veröffentlicht: (2024)

Distribution-Based Feature Attribution for Explaining the Predictions of Any Classifier
von: Li, Xinpeng, et al.
Veröffentlicht: (2025)

Conformal Prediction of Classifiers with Many Classes based on Noisy Labels
von: Penso, Coby, et al.
Veröffentlicht: (2025)

Fundamental Limits of Deep Learning-Based Binary Classifiers Trained with Hinge Loss
von: Getu, Tilahun M., et al.
Veröffentlicht: (2023)

Pocket Foundation Models: Distilling TFMs into CPU-Ready Gradient-Boosted Trees
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

Annealing Self-Distillation Rectification Improves Adversarial Training
von: Wu, Yu-Yu, et al.
Veröffentlicht: (2023)

Gradient-Congruity Guided Federated Sparse Training
von: Tian, Chris Xing, et al.
Veröffentlicht: (2024)

Gradient-Free Training of Quantized Neural Networks
von: Cohen, Noa, et al.
Veröffentlicht: (2024)

Latenrgy: Model Agnostic Latency and Energy Consumption Prediction for Binary Classifiers
von: Pittman, Jason M.
Veröffentlicht: (2024)

Predicting Diabetes Using Machine Learning: A Comparative Study of Classifiers
von: Hasan, Mahade, et al.
Veröffentlicht: (2025)

UniDEC : Unified Dual Encoder and Classifier Training for Extreme Multi-Label Classification
von: Kharbanda, Siddhant, et al.
Veröffentlicht: (2024)

Hypernym Bias: Unraveling Deep Classifier Training Dynamics through the Lens of Class Hierarchy
von: Malashin, Roman, et al.
Veröffentlicht: (2025)

Gradient Multi-Normalization for Stateless and Scalable LLM Training
von: Scetbon, Meyer, et al.
Veröffentlicht: (2025)