AdaBoost在理论上和经验上都被证明是一种非常成功的整体学习算法，它可以迭代地生成一组多样化的弱学习者，并使用加权多数投票规则作为最终决定来组合其输出。 但是，在某些情况下，AdaBoost会导致过度拟合，特别是对于标签错误的嘈杂训练示例，会导致其泛化性能下降和不稳健。 最近，有人提出了一种有代表性的方法，即基于噪声检测的AdaBoost（ND_AdaBoost），以提高AdaBoost在两类分类方案中的鲁棒性，但是，在多类方案中，这种方法很难获得令人满意的性能。出于以下三个原因。 （1）如