ARC：用于半监督和多标签分类的对抗性鲁棒切割

摘要

在计算机视觉和自然语言处理中产生的许多结构化预测任务可以很容易地简化为在图中使用使用最大裕度方法学习的边权重进行最小成本削减。不幸的是，用于构建这些方法的铰链损失通常为利益损失函数提供了一个特别宽松的界限（例如，汉明损失）。我们开发了对抗鲁棒切割（ARC）方法，该方法将学习任务视为基于最小成本图切割的预测器和“标签近似器”之间的极小极大博弈。与最大利润法不同，这种游戏理论视角总是为海明的损失提供了有意义的界限。我们进行了多标签和半监督二进制预测实验，证明了该方法的优点。