主页

论文

提交文件

新闻

编辑委员会

开源软件

程序(PMLR)

交易(TMLR)

搜索

统计

登录

常见问题

联系我们



RSS源

超平面集成的Hinge-Minimax学习器

多列夫·拉维夫(Dolev Raviv)、塔米尔·哈赞(Tamir Hazan)、玛格丽塔·奥萨奇(Margarita Osadchy); 19(62):2018年1月30日。

摘要

在这项工作中,我们考虑了包含超平面交点的非线性分类器。我们通过最小化负面训练示例的“minimax”界和正面训练示例的铰链类型损失来学习这些分类器。这些分类器适合由少量正数据点和大量负数据点组成的典型现实数据集。这种方法在计算上很有吸引力,因为大多数训练示例(属于负类)都是由其分布的统计数据表示的,用于对经验风险的单一约束,而不是SVM,其中变量的数量等于训练集的大小。我们首先关注$K$超平面的交集,为其提供经验风险边界。我们证明,对于$m$样本,这些边界是维度无关的,并且衰减为$K/\sqrt{m}$。然后,我们将K-超平面混合风险扩展到潜在混合风险,以训练$C$$K$-超平面模型的并集,该模型可以形成任意复杂的分段线性边界。我们提出了有效的算法来训练所提出的模型。最后,我们展示了如何将hinge-minimax训练与深层架构相结合,并使用转移学习将其扩展到多类设置。对所提出模型的实证评估表明,与现有方法相比,它们在小训练标记数据体系中具有优势。

[腹肌][pdf格式][围兜]      
©JMLR公司2018(编辑β)