Jul, 2022

AUC 最大化的平衡自适应学习

PDF
TL;DR本文提出了一种平衡的自适应正类比例（BSPAUC）算法来解决在最大化 AUC 时存在的噪声数据问题，该算法通过嵌入一个新颖的平衡自适应正则化项，使得选择的正类和负类样本具有适当的比例，并通过解决非凸子问题所面临的挑战来达到更好的泛化性能，在深度学习和基于核的实现中，实验结果在多个大型数据集上证明了 BSPAUC 具有比现有的最新 AUC 最大化方法更好的泛化性能。
auc performanceself-paced learningbspaucregularizationgeneralization performance
发现论文，激发创造
  • 随机近端 AUC 最大化

    本文提出了一种新颖的随机近端算法来最大化 ROC 曲线下方区域（AUC），并在各种应用领域的基准数据集上进行了广泛的实验，证明了该算法优于现有的 AUC 最大化算法。

    Jun, 2019

  • 使用深度神经网络进行随机 AUC 最大化

    本研究提出了一种在深度神经网络中进行随机 AUC 最大化的算法，利用了 Polyak-LŁojasiewicz 条件发展了新的随机算法，获得更快的收敛率和更实际的步长方案，通过实验结果证明了算法的有效性。

    Aug, 2019

  • 弱监督下的 AUC 优化：一个统一的部分 AUC 方法

    本文提出了 WSAUC 框架作为弱监督 AUC 优化问题的统一解决方案，在此框架下，通过最大化经验 rpAUC，本文在多种弱监督情景下有效提高了 AUC 的优化能力。

    May, 2023

  • 基于正类未标记学习的半监督 AUC 优化

    本文提出了一种新的半监督 AUC 优化方法，不需要强限制假设，其基于正例和未标记数据的 AUC 优化方法（PU-AUC），并将其与监督 AUC 优化方法结合来实现半监督学习，理论证明了未标记数据对于 PU 和半监督 AUC 优化方法的泛化性能的改善有帮助，并通过实验证明了所提出方法的实用性。

    May, 2017

  • 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

  • 多个未标记数据集的 AUC 优化

    本文研究如何从多个未标注数据集中构建一个 AUC 优化模型，提出了一种称为 U^m-AUC 的方法，将 U^m 数据转化为多标签 AUC 优化问题，可以有效地进行理论与实证研究。

    May, 2023

  • 自适应学习的稀疏编码算法

    本文提出了自适应稀疏编码（Self-Paced Sparse Coding，SPSC）框架，可逐步从简单到复杂地包含矩阵元素到编码学习中，以提高其学习鲁棒性并推广到不同层次的自适应学习。试验结果表明了该算法对于处理真实数据的有效性。

    Sep, 2017

  • 联邦组合深度 AUC 最大化

    本研究提出了一种针对非平衡数据的联邦学习方法，通过直接优化曲线下面积（AUC）分数，采用分解最小最大优化问题和随机梯度下降优化算法，以及提供算法的计算和通信复杂性界限，达到了有效性的实验结果。

    Apr, 2023

  • 一种强健的 AUC 最大化框架，同时进行异常值检测和特征选择用于正 - 未标注分类

    提出了一个强健的学习框架，它将 AUC 最大化，异常值检测和特征选择相结合，以解决正样本未标记（Positive-Unlabeled）分类问题。通过理论分析和实验验证，表明该模型是有效的。

    Mar, 2018

  • 自主学习的目标到底是什么？

    本研究证明了自适应学习（Self-paced learning）中的求解策略符合最大化最小化算法的实现方法，并发现其中包含的损失函数类似于统计学和机器学习中已知的非凸正则化惩罚（NSPR），如 SCAD、LOG 和 EXP。通过这些发现，揭示了在弱标记大规模数据处理任务中，本文设计的组偏序损失先验对 SPL 的有效性具有重要贡献且达到了业界最优效果。

    Nov, 2015