Jul, 2020

利用最大 - 最小边缘马尔可夫网络实现一致结构化预测

PDF
TL;DR提出了一种名为 max-min margin Markov networks（M4N）的方法，用于解决结构化预测时，输入和标签之间的关系不确定时，支持向量机等二元分类方法具有的一致性问题，并证明了其一致性和有限样本的泛化界限。
max-min margin markov networksstructured predictionbinary classificationsupport vector machinegeneralization bounds
发现论文，激发创造
  • 最大熵判别马尔可夫网络

    本研究提出了一种新的最大熵判别马尔科夫网络 (MaxEnDNet) 框架，该框架将最大边界结构化学习与贝叶斯估计相结合，并扩展了它们的优点，基于生成模型的贝叶斯式学习与基于判别模型的结构化最大边界学习，取得了超越结构化输入 / 输出学习的一系列竞争方法的成功结果。

    Jan, 2009

  • 基于最大间隔线性分类器的不确定数据学习

    本文提出一种最大间隔分类器 SVM-GSU，使用多维高斯分布描述每个训练样本，以处理数据输入中的不确定性，并使用随机梯度下降方法高效地解决凸优化问题。通过测试，证明该方法的有效性。

    Apr, 2015

  • 最大化最小间隔的多类支持向量机

    我们提出了一种新的多类支持向量机方法，通过考虑两两类别损失，并最大化最小的间隔，实现多类别分类。我们的方法在深度学习中类似于 softmax 的概念，可以作为深度学习中网络参数学习的有效增强。实证评估结果表明，我们的方法在现有的多分类方法上具有明显的优势。

    Dec, 2023

  • 最大间隔非参数潜在特征模型用于链路预测

    本论文介绍了一种利用 max-margin learning 和 Bayesian nonparametrics 将判别性潜在特征和非参数潜在特征融合起来进行链接预测的方法，并提供了一种有效的 stochastic variational inference 算法以及贝叶斯公式，以避免调整正则化超参数。

    Feb, 2016

  • 基于近紧边距的支持向量机广义化界

    本文重新审视和改进了最大化边际的基本分类工具 SVM 的广义界限，并通过近乎匹配的下限补充了新的广义界限，从而几乎解决了 SVM 在边际方面的广义性能。

    Jun, 2020

  • 带隐变量的边际结构支持向量机

    本文提出了边际结构化支持向量机（MSSVM）来进行具有隐藏变量的结构化预测，与其他最先进的方法相比，特别是当不确定性很大时，MSSVM 可以更好地解释隐藏变量的不确定性，并且导致更平滑的目标函数，使梯度下降方法更快地收敛。我们还展示了这种方法如何在模拟和实际数据集上优于其他方法，包括潜在结构化 SVM（LSSVM）和隐藏条件随机场（HCRFs）。此外，我们提出了一个统一框架，将我们的方法与其他现有方法作为特例，以提供对不同模型在实践中的比较的见解。

    Sep, 2014

  • 基于结构化范数最小化的图模型估计

    通过提出一种基于新型结构规范的通用框架，以及使用线性化的多块交替方向乘数法算法来高效地解决该问题，我们研究了从高维数据中估计稀疏、结构稀疏和密集组件的模型。在合成和实际数据集上的实验证实了这种方法的优越性。

    Sep, 2016

  • 基于结构的约束学习马尔可夫网络

    用约束条件的结构学习方法学习马尔可夫网络的理论限制与性能逐渐变好，并且对条件独立性测试的集合大小和测试数量进行了研究。

    Mar, 2024

  • 稀疏支持向量机的 Majorization-Minimization

    通过平滑的稀疏促进正则化的平方铰链损失最小化，研究了支持向量机的训练，并应用了基于主要化最小化方法的快速训练方法，提高了特征选择的性能，并在定量指标（准确率、精确率、召回率和 F1 值）以及计算成本方面表现出良好的性能。

    Aug, 2023

  • 结构化预测的紧密误差界

    本文介绍了关于机器学习中结构化预测任务的理论分析，探究了标签预测对标签组合所带来的影响，以及如何通过图结构分类来达到期望错误率的降低。

    Sep, 2014