ARC:用于半监督和多标签分类的对抗性鲁棒切割 作者 西蒙·贝普尔 伊利诺大学芝加哥分校 魏兴 伊利诺大学芝加哥分校 布莱恩·齐巴特 伊利诺大学芝加哥分校 内政部: https://doi.org/10.1609/aaai.v32i1.11817 关键词: 对抗结构预测、图切割、多标签预测、半监督分类 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。 下载 PDF格式 出版 2018-04-29 如何引用 Behpour,S.、Xing,W.和Ziebart,B.(2018年)。ARC:半监督和多标签分类的对抗稳健切割。AAAI人工智能会议记录,32(1). https://doi.org/10.1609/aaai.v32i1.11817 更多引文格式 ACM公司 ACS公司 亚太地区 澳大利亚北卡罗来纳州 芝加哥 哈佛 电气与电子工程师协会 MLA公司 图拉宾语 温哥华 下载引文 尾注/佐特罗/门德利(RIS) BibTeX公司 问题 第32卷第1期(2018):第三十二届AAAI人工智能会议 章节 AAAI技术方向:机器学习