有效且一致的对抗二部匹配
Rizal Fathony、Sima Behpour、Xinhua Zhang、Brian Ziebart
第35届机器学习国际会议论文集,PMLR 80:1457-14662018年。
摘要
许多重要的结构化预测问题,包括学习对项目进行排序、基于对应关系的自然语言处理和多目标跟踪,都可以表示为加权二分匹配优化。现有的结构化预测方法在完美二部匹配约束下应用时存在明显的缺陷。指数族概率模型,如条件随机场(CRF),提供了统计一致性保证,但在计算上需要计算其分布在匹配上的归一化项,这是一种#P-hard矩阵永久计算。相比之下,结构化支持向量机(SSVM)提供了计算效率,但缺乏Fisher一致性,这意味着即使在理想的学习条件下(即给定真实分布并从所有可测量的势函数中选择),也无法学习数据的分布的最佳匹配。我们建议使用对抗性二部匹配来避免这两个限制。我们在算法上开发了这种方法,建立了它的计算效率和Fisher一致性特性,并将其应用于匹配问题,证明了它的经验优势。
引用本文
相关材料