ICMLJun, 2012

优化 F - 度量值：两种方法的故事

PDF
TL;DR本文研究了基于经验效用最大化和决策理论的方法学习最大化 F-measures 的分类器，分析了它们的理论基础与联系，并通过合成和真实数据集探究了它们的适用条件和优缺点，实验结果发现在具有准确模型的情况下，两种方法在大量的训练和测试集上是渐近等价的，但在实际应用中，基于经验效用最大化的方法对模型错误的鲁棒性更强，而决策理论方法更适用于处理稀有类和常见领域适应问题。
发现论文，激发创造
  • F - 度量最大化算法的贝叶斯最优性探讨

    该研究论文使用决策论和贝叶斯风险分析方法，提出了一种在二值分类、多标签分类和结构化输出预测等问题中，优化 F-measure 评价指标的方法，并提出了一个新的算法，它不仅计算效率高，而且在任何分布下都是贝叶斯最优的。

    Oct, 2013

  • 优化拟线性性能度量的理论：以 F - 度量为例

    研究了一些非线性性能度量的理论属性，包括 F - 度量，Jaccard 指数等，将这些性能度量优化问题归约为具有未知成本的成本敏感分类问题，并提出了一种具有可证明保证的算法来获得近似最优分类器以解决 F - 度量优化问题。

    May, 2015

  • 优秀的分类度量及其发现方法

    通过定义和分析分类表现的可取特性，研究论证了某些性能度量方法比其他方法更好，并提出了一系列新的度量方法，这些方法在除一种可取特性外均可满足，包括 Matthews 相关系数和对称平衡准确性，为实践人员实现充分的分类结果评估提供了重要工具。

    Jan, 2022

  • 多标签 F 度量的凸校准代理

    本文探讨设计针对 F-Measure 的凸罚函数问题，提出了 F-Measure 的凸罚函数方法，将多标签 F-Measure 学习问题分解为 $s^2+1$ 个二进制分类概率估计问题，并提供了差错传递边界的定量证明，与 Dembczynski 等人的算法有关，并进行了实验证实了论文理论结果。

    Sep, 2020

  • 分类度量标准的分析与比较

    该文讨论了机器学习领域最常见的分类系统性能指标，比较了它们与期望成本和 PSR 等其他指标之间的关系，并认为后者更为优秀和高效。

    Sep, 2022

  • 优化复杂绩效指标的通用在线算法

    我们介绍和分析了一种通用的在线算法，适用于二元、多类和多标签分类问题中的各种复杂性能指标，该算法的更新和预测规则简单且计算效率高，无需存储任何过去的数据，而且对于凹函数和平滑度函数达到了 O (ln n/n) 的遗憾，并通过实证研究验证了所提算法的效率。

    Jun, 2024

  • 优化不可分解性能度量：两个类别的故事

    本文提出一种自适应线性化技术，实现了基于 TPR 和 TNR 的点随机更新，通过提出 SPADE 和 STAMP 方法，可以应对实际中出现的数据标签不平衡及其他特殊要求，并获得了显着的速度优势和精准度，同时确保了收敛性。

    May, 2015

  • 大数据和人工智能时代的 AUC 最大化调查

    本文概述了过去 20 年中与 AUC 最大化相关的文献，不仅提供全面的文献综述，还从公式到算法和理论保证提供了详细的解释和比较，并对深度学习 AUC 最大化的剩余和新兴问题进行了讨论。提供未来工作的建议。

    Mar, 2022

  • 贝叶斯最优实验设计中的度量标准在模型不准确性下的应用

    本文介绍了一种扩展的贝叶斯决策实验设计框架，不仅考虑了传统的期望信息增益准则，还引入了期望一般信息增益和期望鉴别信息等准则，以量化模型差异的稳健性和实验检测模型差异的能力。通过应用于一个带有模型差异的弹性质量阻尼系统和 F-16 模型的场景中，展示了该框架的功能。

    Apr, 2023

  • F-measure 所无法衡量的：特征、缺陷、谬论和修正

    F-measure 不适用于大多数情境，因此存在更好的替代方案。

    Mar, 2015