论文提出了一种loss:

x是原始数据，y是对应的label，h(x)是一个判别函数，r(x)相当于训练了一个信心函数，r(x)越大，代表对自己做的判断的信息越大，当r(x)<0的时候，就拒绝进行分类。那么这个loss函数分为前后两项，前面一项就是通常的分类错误的loss，后面一样是对不进行分类的惩罚，c(x)是进行惩罚的权重，作者设置为常数0.5。

作者指出，基于置信度的方法是这种方法的特例，也就是另r(x) = |h(x)|-gama。

 评价：这个方法就是对决策边界的点不进行分类，因为这些点可能很混杂，本来就不好分类，那么干脆给个0.5的分错概率，避免分界面的来回震荡。

作者在论文中对他们的方法做了详细的证明，还没有看，待研究。

Boosting with Abstention