您能否更具体地了解您正在查看的数据类型？这将部分决定哪种类型的算法将收敛最快。

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。您在提升中使用了哪些其他算法？

通常，DL 技术可以描述为编码器/解码器层。无监督预训练的工作原理是首先通过编码信号、解码信号、然后测量重构误差来预训练每一层。然后可以使用调整来获得更好的性能（例如，如果您使用去噪堆叠自动编码器，您可以使用反向传播）。

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）

我没有包含任何关于 RBM 的信息，但它们是密切相关的（虽然起初个人有点难以理解）。

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。不同之处在于“深度学习”具体涉及一个或多个“神经网络”，而“提升”是一种“元学习算法”，需要一个或多个学习网络，称为弱学习器，可以是“任何东西”（即神经网络、决策树等）。提升算法将其一个或多个弱学习器网络形成所谓的“强学习器”，这可以显着“提升”整个学习网络的结果（即微软的 Viola and Jones Face Detector，OpenCV）。