一类灵活的依赖感知多标签损失函数
机器学习
2020-11-03 v1 人工智能
摘要
多标签分类是为给定查询实例分配标签子集的任务。为评估此类预测，需将预测标签集与该实例关联的 ground-truth 标签集进行比较，且已有多种损失函数用于此目的。除评估预测准确性外，这方面的关键关切是培养并分析学习器捕捉标签依赖的能力。本文引入一类新的多标签分类损失函数，克服了 Hamming 与子集 0/1 等常用损失的缺陷。为此，我们借助非可加测度与积分的数学框架。粗略而言，非可加测度可灵活建模标签子集（而非单个标签）正确预测的重要性及其对整体评估的影响——Hamming 与子集 0/1 分别赋予单个标签与整个标签集以完全重要性，在此意义上颇为极端。我们给出该类的具体实例，其以 Hamming 与子集 0/1 为特例，且从建模视角看尤为可取。以这些损失对多标签分类器的评估在一项实证研究中得以说明。
引用
@article{arxiv.2011.00792,
title = {A Flexible Class of Dependence-aware Multi-Label Loss Functions},
author = {Eyke Hüllermeier and Marcel Wever and Eneldo Loza Mencia and Johannes Fürnkranz and Michael Rapp},
journal= {arXiv preprint arXiv:2011.00792},
year = {2020}
}