一种用于多分类与结构化预测的混合损失
机器学习
2014-02-11 v1 人工智能
计算机视觉与模式识别
摘要
我们提出了一种用于多分类和结构化预测问题的新型混合损失，它是条件随机场 (CRFs) 的对数损失与支持向量机 (SVMs) 的多分类合页损失的凸组合。我们提供了该混合损失对分类具有 Fisher 一致性的充分条件。该条件取决于标签之间的优势度量——具体而言，即最佳标签与次佳标签的概率差距。我们还证明了在学习 CRFs 等模型时，Fisher 一致性是参数一致性的必要条件。我们通过实证表明，在人类动作识别等各种任务上，该混合损失的表现通常至少与其两个组成损失相当，且往往优于它们。在此过程中，我们也对概率方法与基于间隔的方法在多分类和结构化预测中的有效性进行了实证比较。
引用
@article{arxiv.1402.1921,
title = {A Hybrid Loss for Multiclass and Structured Prediction},
author = {Qinfeng Shi and Mark Reid and Tiberio Caetano and Anton van den Hengel and Zhenhua Wang},
journal= {arXiv preprint arXiv:1402.1921},
year = {2014}
}
备注
12 pages, 5 figures. arXiv admin note: substantial text overlap with arXiv:1009.3346