WWWFeb, 2024

左下部分面积下限：一种有效高效的推荐优化度量方法

PDF
TL;DR为构建大规模推荐系统，优化度量标准至关重要。我们提出了一种新的优化度量标准，Lower-Left Partial AUC (LLPAUC)，它在计算效率上类似于 AUC，但与 Top-K 排序指标强相关。通过理论验证和数据集评估，我们证明了 LLPAUC 与 Top-K 排序度量的相关性和鲁棒性。同时，我们还设计了一种高效的点级推荐损失函数来最大化 LLPAUC。
发现论文，激发创造
  • 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

  • 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

  • 优化 AUC 是否划算？

    通过提出一种高效的算法 AUC-opt 来寻找证明最优 AUC 的线性分类器，并且证明问题在一定条件下是 NP 完全的；此算法在实验中证明相较于其他方法有所改善，但在大多数测试数据中表现并不如标准分类器。

    Jun, 2023

  • 弱监督下的 AUC 优化：一个统一的部分 AUC 方法

    本文提出了 WSAUC 框架作为弱监督 AUC 优化问题的统一解决方案，在此框架下，通过最大化经验 rpAUC，本文在多种弱监督情景下有效提高了 AUC 的优化能力。

    May, 2023

  • 优化 Top-k 曲线下面积的部分：理论与实践

    本文提出了一种新的度量标准，名为 partial AUTKC，可以更好地区分不同分类。同时，论文还提出了一种用于优化该度量标准的框架，并在四个基准数据集上进行了实验证明其有效性。

    Sep, 2022

  • 研究 AUC 指标的失效模式并探索安全关键应用系统评估的替代方法

    本研究提出了三个度量指标来解决现有度量指标在选择性回答方面存在的局限性，实验结果表明，性能更好的选择性回答模型并不一定是较新或较大的预训练模型。这些发现有望促进针对安全关键应用的更好模型的发展。

    Oct, 2022

  • 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

  • 搞定预测分析中的正确问题：AUC 不是问题

    对于 ACM FAccT 最近发表的使用 AUC ROC 在多个领域进行预测分析的文章，我们对该文章进行了批评。具体来说，我们强调了该文章在度量标准比较、AUC ROC 的解释和目标误设、将准确率指标作为与 AUC ROC 比较的金标准以及仅将批评应用于 AUC ROC 等方面存在的技术性错误。我们通过重新定义该文章提出的问题，并讨论了在充分考虑这些问题的基础上，如何在明智的预测分析方法中继续使用 AUC ROC。我们最后讨论了多种度量标准的联合使用，包括机器学习偏差度量标准，以及 AUC ROC 在这种方法中的地位。与西兰花一样，AUC ROC 是有效的，但我们领域的研究人员和实践者不应仅仅依赖 AUC ROC。

    Apr, 2024

  • 通过直接优化 ROC 曲线下的局部面积来实现高效行人检测

    提出了一种使用结构化学习直接优化 ROC 曲线下假阳性率范围内的部分面积的新型集成学习方法，该方法有效地训练出最先进的行人检测器。

    Oct, 2013

  • 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