Apr, 2023

联邦组合深度 AUC 最大化

PDF
TL;DR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。
federated learningimbalanced dataarea under curvecompositional minimax optimizationexperimental results
发现论文，激发创造
  • 异构数据中的联邦深度 AUC 最大化和通信复杂度为常数

    本文主要介绍了改进的 FDAM 算法，通过分布式求解 DAM 的非凸强凹极小极大优化问题，提高了 FDAM 算法在异构数据方面的表现，此外，该算法通信复杂度不随机器数目和精度水平变化而变化。该算法在医学胸部 X 射线影像等多个数据集上得到了有效的应用，可以改善数据来自多个医院的 FDAM 算法，通过胸片检测生命威胁疾病的 AUC 分数。

    Feb, 2021

  • 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

  • 基于深度神经网络的通信高效分布式随机 AUC 最大化

    本文提出了一种基于非凸凹重构的 AUC 最大化的通信高效分布式优化算法，通过减少通信轮次提高了算法的并行性能，并在多个测试数据集中展示了其有效性和可靠性。

    May, 2020

  • 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

  • 一次性联邦学习

    本文介绍了一种单次联邦学习方法，通过使用集成学习和知识聚合，使得中央服务器可以在单次通信中学习联合设备网络上的全局模型，在 AUC 方面相对于本地基线获得了 51.5% 左右的平均相对收益，并且达到了全局理想状态的 90.1% 左右。最后，我们讨论了这些方法并识别了一些有希望的未来工作方向。

    Feb, 2019

  • 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

  • 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

  • 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

  • 无服务器联合 AUPRC 优化多方协作不平衡数据挖掘

    通过研究无服务器多方协同学习的 AUPRC 最大化问题，我们提出了一种新的 ServerLess 偏置随机梯度（SLATE）算法，用于直接优化 AUPRC，并使用方差缩减技术改进了收敛速度，这是目前解决多方协同 AUPRC 最大化问题的首个工作。

    Aug, 2023

  • 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