针对加权度量优化神经网络分类性能的综合理论框架
机器学习
2023-05-24 v1 数值分析
数值分析
机器学习
摘要
在许多场景中，人们设计定制化和加权的分类分数以评估神经网络预测的好坏。然而，此类分数的最大化与训练阶段损失函数的最小化之间存在差异。在本文中，我们提供了一个完整的理论设定，形式化了加权分类度量，并由此允许构建驱动模型优化这些关注度量的损失。在详尽的理论分析之后，我们表明我们的框架将经典代价敏感学习、加权交叉熵损失函数和价值加权技能分数等已有方法作为特例纳入其中。
引用
@article{arxiv.2305.13472,
title = {A comprehensive theoretical framework for the optimization of neural networks classification performance with respect to weighted metrics},
author = {Francesco Marchetti and Sabrina Guastavino and Cristina Campi and Federico Benvenuto and Michele Piana},
journal= {arXiv preprint arXiv:2305.13472},
year = {2023}
}