我们提出并分析了一种规则化方法,用于结构化预测问题。我们表征了一大类损失函数,允许在线性空间中自然地嵌入结构化输出。我们利用这一事实设计了学习算法,使用代理损失方法和规则化技术。我们证明了所提出的方法的普遍一致性和有限样本边界,表征了所提出方法的泛化性能。我们提供了实验结果,证明了所提出方法的实用性。
May, 2016
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
本文提出了利用排名约束估计与低维标签嵌入之间的对应关系来发现一种新的、快速的标签嵌入算法,并展示了其在多类问题和多标签问题中的应用,最终实现了指数级的运行时间优化,其中在两个大规模公共数据集上的结果优于现有技术。
Mar, 2015
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
本文介绍了一种利用等级约束估计和低维度标签嵌入之间的对应关系发现的快速标签嵌入算法,该算法适用于多类和多标签数据集,并且其运行时间比朴素算法快效果显著,该方法在两个大规模公共数据集上进行了验证,并获得了最先进的结果。
Dec, 2014
介绍了一种新的优化丢失功能的方法以提高 Web 页面排名和协同过滤的性能,并使用结构化估计在希尔伯特空间中进行直接优化,所提出的算法被证明是快速且表现良好。
Apr, 2007
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
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
本文通过研究采用分级标签的学习排序问题,提出了一种多目标结构,能够在优化排序性能和等级预测性能方面取得比其他方法更好的结果,证明了利用序数级别信息的好处。
本文提出了使用弱监督学习方法训练神经排序模型来解决信息检索排名问题,并通过实验结果表明,基于弱标记数据的预训练可以极大地提高神经排序模型的性能。
Apr, 2017