在分析这道多选题之前，我们先逐一分析各个选项的正确性。

### A: SVM对噪声（如来自其他分布的噪声样本）具备鲁棒性
- **分析**：支持向量机（SVM）的目标是找到一个最优的超平面来最大化类间的间隔。虽然SVM在一定程度上对噪声具有鲁棒性，特别是在使用软间隔和合适的核函数时，它并不是对所有类型的噪声都具备鲁棒性。对于一些极端噪声，SVM仍然可能受到影响。
- **结论**：此选项不完全正确。

### B: 在adaboost算法中，所有被分错样本的权重更新比例相同
- **分析**：在Adaboost算法中，分错的样本的权重会增加，分对的样本的权重会减小。但权重更新的比例是根据误分类率计算的，因此被分错样本的权重更新比例并不相同，取决于误分类率。
- **结论**：此选项错误。

### C: boosting和bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率确定其权重
- **分析**：
- **Bagging**：通过对数据集进行自助采样（bootstrap sampling），训练多个分类器，并通过简单投票或平均方式结合结果。各个分类器平等对待，没有权重区别。
- **Boosting**：通过逐步训练弱分类器序列，每个分类器根据前一序列的错误率来调整样本权重，从而影响最终的投票。
- **结论**：此选项描述不准确。Bagging与Boosting的确都是组合分类器的方法，但并非都是基于单个分类器的正确率确定权重。

### D: 给定n个数据点，如果其中一半用于训练，一半用于测试，则训练误差和测试误差之间的差别会随着n的增加而减少
- **分析**：在样本数量n增加的情况下，即使固定比例用于训练和测试，模型一般能更好地学习到数据的特征，从而训练误差和测试误差的差异减小。这是统计学习中的一个常见结论，因为更大的样本量能够提供更充分的信息以提升模型的泛化能力。
- **结论**：此选项正确。

### 正确答案
综上分析，只有 **D** 是正确的。