自适应 Huber 损失的主动回归
机器学习
2016-06-28 v2 计算机视觉与模式识别
摘要
本文通过一种新颖的解法来处理标量回归问题，在结合多视图学习与流形正则化的通用半监督设定下精确优化 Huber 损失。我们提出一个有原则的算法，以 1) 避免计算代价高昂的迭代方案，同时 2) 以数据驱动的方式自适应调整 Huber 损失阈值，并 3) 在训练阶段主动平衡已标注数据的使用，以去除噪声或不一致的标注。在广泛的实验评估中，针对多种应用，我们评估了该范式的优越性，它能够将对噪声的鲁棒性与强性能和低计算成本结合起来。
引用
@article{arxiv.1606.01568,
title = {Active Regression with Adaptive Huber Loss},
author = {Jacopo Cavazza and Vittorio Murino},
journal= {arXiv preprint arXiv:1606.01568},
year = {2016}
}