Defensive Boosting for Online Probabilistic Forecasting
防御性 Boosting：在线概率预测的双重保证算法
🧭 在线 boosting 概率预测与校准
Defensive Booster 同时获得在线梯度 boosting 的 Brier 竞争保证与弱学习条件下的分类误差收敛保证
📌 工作参考价值（4 点）
- 在线广告 CTR/CVR 预测中可将其作为轻量在线集成/校准层：只维护一个弱学习器（如 FTRL 逻辑回归或浅层 MLP）做增量更新，不保存大型集成，同时获得与 span 最优线性组合竞争 Brier 的保证，适合高 QPS、低延迟场景。
- 在非平稳或可能被策略对抗影响的流量中，利用其 dual view：若预测误差持续升高，mistake weights 会形成弱学习条件失败的 hard-core 证书，可作为线上监控信号，触发模型重训、特征回补或人工排查。
- 强自适应变体可在任意时间区间提供局部保证，适合电商大促、突发流量等剧烈分布偏移时对近期区间单独做校准，不用等待全局历史数据积累。
- 若目标是“任意数据下不崩”和“有利条件下快速收敛”，可直接借鉴其目标设计：把 Brier 竞争和弱学习条件两个目标纳入同一在线更新，而不是单独使用在线梯度 boosting 或在线分类 boosting。