的一部分神经信息处理系统进展35(NeurIPS 2022)主要会议轨道
Yeshu Li、Danyal Saeed、Xinhua Zhang、Brian Ziebart、Kevin Gimpel
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。
在电子程序中更改姓名的请求将被接受,不会提出任何问题。然而,名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点,并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。