Apr, 2023

不同 iable 组 AUC 优化增强个性化排序

PDF
TL;DR本文提出 PDAOM 损失函数，通过在子批次中构建困难的二元对表达式，实现对 AUC 的直接优化，使得训练与评估之间的差距变小，并用于提高美团推荐系统的在线点击率和订单量。
发现论文，激发创造
  • 通过多任务 AUC 优化学习个性化属性偏好

    提出一种基于多任务学习的方法，通过属性偏好学习、AUC 损失函数以及梯度的高效计算方法，实现了个性化的属性学习，进而保证个性化的排序预测效果。

    Jun, 2019

  • 大规模鲁棒性深度 AUC 最大化：一种新的代理损失函数及在医学图像分类上的实证研究

    通过最大化模型在数据集上的 AUC 分数，Deep AUC Maximization（DAM）成为一种学习深度神经网络的新范例。本文提出了一种基于边缘的最小 - 最大代理损失函数 AUC margin loss，并在医学图像分类任务中实现了更高的性能。

    Dec, 2020

  • 深度 AUROC 优化基准测试：损失函数和算法选择

    本文通过实验证明深度学习中组合性损失函数具有更好的性能表现，同时针对正样本采样率、正则化、归一化 / 激活和优化器等算法进行深度 AUROC 最大化的讨论和探究

    Mar, 2022

  • 一元 ROC 曲线下面积的界

    本文提出了一种新的替代损失函数来优化 AUC，避免了训练数据之间的成对比较，具有线性的时间和存储复杂度，并对在线学习和批处理算法进行实验以说明其有效性。

    Apr, 2018

  • DRAUC: 一种基于实例的分布鲁棒 AUC 优化框架

    基于分布鲁棒的面积下 ROC 曲线 (DRAUC) 的模型优化框架，解决了长尾分类情景下训练和测试样本分布差异以及标签偏差的问题。

    Nov, 2023

  • AdAUC: 针对长尾问题的端到端对抗 AUC 优化

    本文研究了在长尾数据集上进行对抗训练的问题，提出了一种基于 AUC 优化的方法，并通过正则化和梯度计算解决了目标函数中正负样本紧密耦合的问题。实验结果表明该方法在长尾数据集上表现出色。

    Jun, 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

  • 联邦学习中的差分隐私 AUC 计算

    本文提出了一种在联邦学习中使用标签差分隐私的算法，可以准确计算广泛使用的 AUC（曲线下面积）度量，通过大量实验证明我们的算法可以与真实结果准确匹配。

    Aug, 2022

  • AUC-mixup：混合深度 AUC 最大化

    通过混合数据增强技术，即 AUC-mixup 损失，改进了 DAM 在小样本数据集上的推广性能，该方法在不平衡的基准和医学图像数据集上比标准的 DAM 训练方法表现更有效。

    Oct, 2023

  • 一遍 AUC 最优化

    本研究提出一种基于回归的算法和一种随机算法，用于一次遍历训练数据集并进行 AUC 优化，可以高效地处理高维数据，并且只需要在内存中维护训练数据的前两阶统计量。

    May, 2013