ICMLJun, 2012

来自部分注释的结构化学习

PDF
TL;DR本研究提出一种处理结构化输出的大规模公式，该公式基于部分注释数据进行学习，并通过 concave-convex procedure (CCCP) 进行高效求解以达到解决实际应用的目的。我们将该方法应用于可变数量可分对象的具有挑战性的跟踪问题中，并在仅使用完全注释的 25％的情况下实现与完全注释模型相媲美的性能。最后，我们通过实证比较来统一之前使用的 hinge、ramp 或 max loss 用于结构化学习的透视图。
structured learningpartially annotated datatracking-by-assignment problemperformancestructured outputs
发现论文，激发创造
  • 部分还是完整，这是个问题

    对于结构性学习任务，该论文提出了在同样的监督水平下，部分标注结构可能优于完全标注结构的普遍看法，并针对三种不同的结构性学习任务比较了两种标注方案。

    Jun, 2019

  • 使用部分标注和自训练的结构预测数据高效主动学习

    本文提出了一种基于主动学习的实用方法，利用部分注释来减少结构标签空间的注释成本，并采用自我训练来将当前模型的自动预测作为未注释子结构的伪标签，通过使用错误估计器自适应地确定部分选择比率来解决选择子结构进行注释的挑战，本文在四个结构预测任务中展示了我们部分注释和自我训练组合的效果。该方法通过公平的比较方案，考虑读取时间，降低了注释成本。

    May, 2023

  • 结构化预测的对抗性约束学习

    本研究提出了一种基于约束学习的半监督学习方法，利用黑盒模拟器生成未标记数据进行训练并通过对抗训练实现生成模型的训练，提高模型在多种任务上的表现。

    May, 2018

  • 通过 Infimum Loss 实现部分标注的结构化预测

    本文提出了一种基于结构化预测和概念的下确界损失的统一框架，以处理一系列学习问题和损失函数中的部分标注，其中监督以包含实际标签的标签集的形式呈现，并且明确的算法可以轻松实现，并且证明了统计一致性和学习速率。实验证实所提出的方法优于常用的基准方法。

    Mar, 2020

  • 结构化预测中的部分推断

    本文探讨了结构化预测中的部分推断问题，采用生成模型方法，考虑在图形标签空间中最大化一种包括一元和成对潜势的评分函数，采用两阶段凸优化算法进行标签恢复，并提供了可证明保证部分恢复的统计和拓扑要求。

    Jun, 2023

  • 在线学习中的结构化预测

    在线学习环境下的结构化预测问题的理论和算法性框架的研究。通过研究，我们发现我们的算法能够推广到监督学习环境中的优化算法，并且在数据非独立同分布的情况下也能达到相同的风险上界。此外，我们还考虑了一种特别设计用于非平稳数据分布（包括对抗性数据）的第二个算法，并以数据分布的变化为函数界限其随机遗憾。

    Jun, 2024

  • 结构化预测的高效分解学习

    本研究提出一种称为 Decomposed Learning（DecL）的新方法，通过限制推理步骤到结构空间的一部分来执行高效学习。我们表明，在真实世界的设置中，DecL 算法比精确的学习更有效和准确。

    Jun, 2012

  • 学习作为搜索优化：结构化预测的近似大间隔方法

    该论文介绍了一种基于近似搜索的学习框架，可以在较小的计算成本下优于精确模型，将结构化输出问题从精确模型转化为近似搜索的问题，并给出了两个收敛定理和界限的参数更新方法。

    Jul, 2009

  • 结构化预测级联

    本文提出了一种基于‘Structured Prediction Cascade’的新型结构预测方法，通过一系列逐步添加模型的方式，可以有效实现对输出状态空间的过滤和精细调整，并且在优化过程中控制过滤效率与准确率的平衡，通过对模型进行不断优化，显著提升结构预测任务的效率与准确性。

    Aug, 2012

  • 及时预测结构：推理的回归

    通过结构约束和组合推理，我们构建了一种基于提示的方法用于零和少样本的语言结构预测，在两个结构预测任务和五个数据集上的结果表明，强制一致性不仅构建了结构上有效的输出，而且还改善了性能。

    Jan, 2024