面向多元度量指标的对抗式结构化预测
机器学习
2017-12-22 v2 机器学习
摘要
许多被预测的结构化对象（如序列、匹配、树）使用 F 值、对齐错误率（AER）或其他多元性能度量进行评估。由于利用训练数据归纳地优化这些度量通常在计算上困难，故采用替代损失的经验风险最小化，例如使用（结构化）支持向量机的铰链损失。这些近似常在学习器目标与期望的应用性能之间引入失配，导致不一致性。我们采取不同方法：在优化确切 F 值或 AER 的同时，对抗式地近似训练数据。该公式下的结构化预测源于求解零和博弈，其中预测器寻求最佳性能，而对手在须（近似）匹配训练数据某些结构化性质的约束下寻求最差性能。我们针对词对齐（AER 评估）和命名实体识别（F 值评估）在线性链约束下探索了此方法。
引用
@article{arxiv.1712.07374,
title = {Adversarial Structured Prediction for Multivariate Measures},
author = {Hong Wang and Ashkan Rezaei and Brian D. Ziebart},
journal= {arXiv preprint arXiv:1712.07374},
year = {2017}
}