深度学习与决策树和提升方法

我正在寻找可以比较和讨论（经验或理论上）的论文或文章：

• Boosting和决策树算法（例如Random Forests或AdaBoost和GentleBoost）应用于决策树。

与

• 深度学习方法，例如受限玻尔兹曼机，分层时间记忆，卷积神经网络等。

更具体地说，有人知道在速度，准确性或收敛性方面讨论或比较这两种机器学习方法的文章吗？另外，我正在寻找能够解释或总结第二个模块中的模型或方法之间差异（例如优缺点）的文本。

直接解决这种比较的任何指针或答案将不胜感激。

您可以更详细地了解正在查看的数据类型吗？这将部分确定哪种算法收敛最快。

我也不确定如何比较boosting和DL等方法，因为boosting实际上只是方法的集合。您还使用其他哪些算法？

通常，DL技术可以描述为编码器/解码器的层。无监督预训练的工作原理是，首先通过编码信号，解码信号然后测量重建误差来对每个层进行预训练。然后可以使用调整来获得更好的性能（例如，如果使用去噪堆叠自动编码器，则可以使用反向传播）。

DL理论的一个很好的起点是：

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.73.795&rep=rep1&type=pdf

以及这些：

http://portal.acm.org/citation.cfm?id=1756025

（对不起，由于垃圾邮件过滤系统，不得不删除最后一个链接）

我没有提供有关RBM的任何信息，但是它们之间有着密切的联系（尽管一开始个人较难理解）。

好问题！自适应增强和深度学习都可以归类为概率学习网络。区别在于，“深度学习”专门涉及一个或多个“神经网络”，而“增强”是一种“元学习算法”，需要一个或多个称为弱学习者的学习网络，该网络可以是“任何东西”（即神经网络，决策树等）。Boosting算法利用其弱学习者网络中的一个或多个来形成所谓的“强学习者”，这可以显着地“提升”整个学习网络的结果（即Microsoft的Viola和Jones Face Detector，OpenCV）。