雷云文，英一鸣。
年份：2021年，数量：22，版本：61，页码：1-45
摘要
本文考虑ROC曲线（AUC）下面积最大化问题，AUC是不平衡分类和异常检测中广泛使用的性能度量。由于目标函数的成对非线性，经典的SGD算法不适用于AUC最大化任务。我们提出了一种新的AUC最大化随机近似算法，该算法可扩展到大规模流数据。我们的算法能够适应一般的惩罚项，并且易于实现，具有良好的$O（d）$空间和迭代时间复杂性。我们为一般凸集建立了一个高概率收敛率$O（1/\sqrt{T}）$，并将其改进为强凸正则化子和无正则化项（无强凸性）情况下的快速收敛率$O（1/T）$。我们的证明不需要对损失函数或迭代进行一致有界性假设，这更符合实际。最后，我们对来自实际应用领域的各种基准数据集进行了广泛的实验，结果表明，与现有的AUC最大化算法相比，我们的算法具有更好的性能。
PDF格式
BibTeX公司