计算机科学>机器学习
标题: 利用可微窗变换学习归一化熵曲线的排序
摘要: 最近的自动机器学习系统通常使用学习曲线排序模型来决定何时停止无希望的试验,并确定更好的模型配置。 本文提出了一种新的学习曲线排名模型,该模型专门针对在线广告和推荐系统中常用的归一化熵(NE)学习曲线进行排名。 我们提出的模型,自适应曲线变换增强相对曲线排名(ACTR2),具有一个自适应曲线变换层,该层将原始生存期NE曲线转换为复合窗口NE曲线,窗口大小根据学习曲线上的位置和曲线的动力学自适应优化。 我们还为所提出的自适应曲线变换引入了一种新的可微索引方法,该方法允许相对于离散索引的梯度自由流过曲线变换层,使学习的窗口大小能够在训练期间灵活更新。 此外,我们提出了一种成对曲线排名体系结构,该体系结构直接对两条学习曲线之间的差异进行建模,并且能够更好地捕捉相对性能中的细微变化,这些变化在像现有方法那样单独建模每条曲线时可能并不明显。 我们在真实NE曲线数据集上进行的大量实验证明了ACTR2的每个关键组件的有效性及其相对于最新技术的改进性能。