结构化预测中的部分推断
本文提出了一个有潜在变量的结构化预测的统一框架,包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近,在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果,比潜在结构支持向量机和隐藏条件随机场方法要好。
Jun, 2012
本文提出了一种基于结构化预测和概念的下确界损失的统一框架,以处理一系列学习问题和损失函数中的部分标注,其中监督以包含实际标签的标签集的形式呈现,并且明确的算法可以轻松实现,并且证明了统计一致性和学习速率。实验证实所提出的方法优于常用的基准方法。
Mar, 2020
本研究提出一种处理结构化输出的大规模公式,该公式基于部分注释数据进行学习,并通过 concave-convex procedure (CCCP) 进行高效求解以达到解决实际应用的目的。我们将该方法应用于可变数量可分对象的具有挑战性的跟踪问题中,并在仅使用完全注释的 25%的情况下实现与完全注释模型相媲美的性能。最后,我们通过实证比较来统一之前使用的 hinge、ramp 或 max loss 用于结构化学习的透视图。
Jun, 2012
本文提出了一种基于最小二乘代理损失的方法来解决标签排名问题,并针对本方法采用了具体的特征映射 / 嵌入来转换排名 / 排列为向量表示,旨在提高结构化预测的效率和准确性,在部分排名情况下有着良好的表现。
Jul, 2018
在结构化预测中,我们提出了一种新的 PAC-Bayesian 风险界来处理非分离因素和违反 i.i.d. 假设的情况,并按照生成模型的研究,将数据生成为基于 Knothe-Rosenblatt 排序的因子参考测量,以显式提取随机输出变量之间的结构,从而为有挑战性的结构化预测下游任务建立归纳界限提供了初步步骤。
Jun, 2023
通过结构约束和组合推理,我们构建了一种基于提示的方法用于零和少样本的语言结构预测,在两个结构预测任务和五个数据集上的结果表明,强制一致性不仅构建了结构上有效的输出,而且还改善了性能。
Jan, 2024
在自然语言处理中,最新的工作提出了使用独立采样的随机结构输出的最大损失,该方法在随机结构输出的数量上是线性的,容易并行化。使用这种损失函数最大化损失是参数化的学习规则的合理方式,我们在 PAC-Bayes 框架下的高斯扰动中研究了这种损失函数的家族,并表明它产生比常用方法更紧的上限,因此这是一种更一般的技术。
Aug, 2015
在线学习环境下的结构化预测问题的理论和算法性框架的研究。通过研究,我们发现我们的算法能够推广到监督学习环境中的优化算法,并且在数据非独立同分布的情况下也能达到相同的风险上界。此外,我们还考虑了一种特别设计用于非平稳数据分布(包括对抗性数据)的第二个算法,并以数据分布的变化为函数界限其随机遗憾。
Jun, 2024
本文提出一种新颖的理论框架,利用凸代理损失函数最小化,探讨结构化预测的相关问题,并提供一些保证与监测措施,同时说明了某些任务损失导致学习难度增加,因此普适性最强的 0-1 损失函数并不适用于一般化的结构化预测。
Mar, 2017