矩分布稳健树结构预测

的一部分神经信息处理系统进展35（NeurIPS 2022）主要会议轨道

作者

Yeshu Li、Danyal Saeed、Xinhua Zhang、Brian Ziebart、Kevin Gimpel

摘要

树型对象的结构化预测以句法依赖分析的名义得到了广泛的研究。基于最大似然或裕度的当前实践要么不确定要么与评估损失不一致。风险最小化可以缓解培训和测试目标之间的差异，但通常会导致非问题。这些方法采用显式正则化来对抗过拟合，而无需进行概率解释。我们提出了一种基于矩的分布稳健优化方法，用于树结构预测，其中有界矩偏离经验分布的一组分布的最坏情况预期损失最小。我们为树木场景和其他树木变体开发了高效的算法。我们推导了该方法的Fisher一致性、收敛速度和泛化界。我们评估了它在依赖解析基准上的经验有效性。