优化器的部分排序
通过深度函数的概念,提出一个分析部分顺序集的框架,并介绍了基于联合无冗余泛型(ufg)深度的机器学习算法比较方法。结果显示,与现有的基准测试方法相比,我们的方法具有显著差异,为分类器比较提供了新的视角。
Apr, 2023
我们提出了一个通过深度函数对部分排序集进行描述性分析的框架。具体地,我们引入了一种适用于所有部分排序的著名单形深度的改进方法,即不相交统一(ufg)深度,并利用我们的 ufg 深度对基于多维性能度量的机器学习算法进行比较。通过在标准基准数据集的样本上提供两个分类器比较的例子,我们的结果有望展示基于 ufg 方法的不同分析方法的广泛应用。此外,这些例子概述了我们的方法与现有基准方法的明显差异,从而为关于分类器比较的活跃讨论增加了新的视角。
Dec, 2023
本文提出了一种协同偏好完成问题的高效算法,涉及在基于有限数量的观测关联值的情况下,针对一组实体在共享的项目集上联合估计个性化排名。该算法利用了一个观察结论,即虽然偏好通常被记为数字分数,但感兴趣的预测量实际上是底层排名,因此,直接拟合底层偏好顺序的估计器结合核范数约束来鼓励低秩参数。尽管具有广泛适用性,但该算法对于表示总体或区块总体顺序的监督的计算复杂度与基于核范数规则化估计的矩阵完成标准算法相差不大。此外,本文还提出了一项挑战性应用,即协同排名脑区与认知神经科学术语之间的关联。
Nov, 2016
提出了一种新的排名方案,利用基于鲁棒的自助法假设检验程序对多个单目标优化问题的算法进行排名,并考虑了算法的性能改进的大小和实际相关性,与传统假设检验相比,提出的排名方案具有可比性和许多额外的好处。
May, 2024
本文提出了首个具有 O (n log n) 时间和 O (n) 空间复杂度的可微分排序和排名操作,并通过在排列凸包上的投影和使用保序优化减少来实现此操作。实验证明,该方法比现有方法快一个数量级,并展示了两个新颖的应用程序:可微 Spearman 秩相关系数和最小修剪的平方。
Feb, 2020
该研究提出了一个用于直接优化排名度量的高效框架 ——CatBoost,并介绍了两种重要的技术:随机平滑和基于部分积分的新梯度估计,证明了经典平滑方法可能会引入偏差,并提出了一个通用解决方案进行去偏差,该算法保证全局收敛性并在多个学习排名数据集上优于现有方法。
Mar, 2020
该论文提出了一种基于 Monte Carlo 方法的优化器搜索框架,通过将优化器的空间重组为超级树来搜索,提高了任务相关样本的搜索效率及其可扩展性,克服了先前方法在可扩展性,生成性或样本效率等方面的限制,并在多个任务领域表现优异。
Sep, 2022
本文介绍了一种新的基于二阶下降方法的多标签 / 排名算法,该算法依赖于置信上界以平衡探索和开发,在部分对抗性环境下进行分析并展示了 O (T^{1/2} log T) 的遗憾度边界,证明了相对于现有结果在多个方面的改进,通过对真实世界的多标签数据集进行测试,我们对比了全信息的基线,经常获得可比较的性能。
Jun, 2012