Aug, 2022

使用 Hinge 对比距离损失和正交表示的单类别推荐系统

PDF
TL;DR本研究提出了一种利用类似集合训练模型的方法，通过添加基于 hinge 和正交约束的两个新项到目标函数中，避免了训练过程中出现的收缩、部分收缩和崩溃问题，并在公共和真实数据集上的实验表明，在只使用类似对的情况下，该方法优于采用大量非类似对的最先进的方法。
发现论文，激发创造
  • 提高多标签图像分类的成对排名

    本研究提出两种技术来改进基于成对排名的多标签图像分类：（1）我们提出了一种新的损失函数，平滑且容易优化；（2）我们将标签决策模块纳入模型，估算每个视觉概念的最优置信阈值。我们在三个大规模数据集（VOC2007、NUS-WIDE 和 MS-COCO）上展示了我们方法的有效性，并取得了文献中报道的最佳结果。

    Apr, 2017

  • Circle Loss：一种统一的对偶相似性优化视角

    本文提供了一个对深度特征学习进行相似性优化的观点，介绍了一种更灵活的 Circle 损失函数，并且在人脸识别、人员重新识别以及一些细粒度图像检索数据集上展示了 Circle 损失的卓越性能。

    Feb, 2020

  • 使用梯度手术探究不同损失函数的影响

    利用 pair-wise loss 进行度量学习可以通过梯度分解来统一当前的损失函数，并明确构建配对梯度更新，以最大程度地提高对图像数据集的检索精度。

    Jan, 2022

  • 基于配对损失函数的在线学习

    本文研究了在线学习算法中带有成对损失函数的泛化性能，并提出了一种数据依赖性较小的界限来衡量在线学习算法的平均风险产生的序列的模型偏差，同时针对常见的机器学习问题，如基于排名和监督度量学习提出了实际应用案例。

    Jan, 2013

  • 点对点 ROC 曲线优化的监督相似性学习概率理论

    该论文从交叉匹配角度分析了相似性学习，提出了一种基于 ROC 优化的点级优化标准，通过一种概率框架对此进行了深入研究，给出了基于 U - 统计的约束优化表达式，推导出相应的普适性学习速率以及在数据分布噪声假设下更快速的学习速率，同时考虑了采样近似近似的效果，同时通过量化实验得到了与理论相称的实验结果。

    Jul, 2018

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022

  • 从成对比较中同时学习偏好和度量

    本文介绍了一种新的方法，该方法针对推荐系统中的偏好建立了一种 Mahalanobis 度量，进而学习理解用户对物品的理想点。

    Sep, 2020

  • 关于在线学习算法在成对损失函数中的泛化能力

    本文研究了基于在线学习的随机方法的泛化特性，提出了一种通用的解耦技术，可以提供基于 Rademacher 复杂度的泛化误差界限，并进一步分析了一类内存效率的在线学习算法。

    May, 2013

  • 基于成对比较的大规模协作排名偏好数据填充

    本文针对协作排名问题展开研究，通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式，实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好，该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。

    Jul, 2015

  • 有限配对偏好比较的度量学习

    度量学习、偏好比较、理想点模型、马氏距离、低维结构

    Mar, 2024