通过 $\mathcal{H}$-校准分析成本敏感代理损失
机器学习
2025-02-28 v1
摘要
本文旨在理解是否应使用成本敏感代理损失来训练机器学习模型，还是使用成本中性代理损失（如交叉熵）。通过 -校准的视角分析这一问题，我们发现，在常见分布假设下，使用小模型的成本敏感代理损失可严格优于其成本中性对应物。由于这些分布假设在实际中难以验证，我们还展示了成本敏感代理损失在 UCI 数据集上的分类任务中始终优于成本中性代理损失。综上，这些结果为在实际中使用成本敏感代理损失提供了有力的依据。
引用
@article{arxiv.2502.19522,
title = {Analyzing Cost-Sensitive Surrogate Losses via $\mathcal{H}$-calibration},
author = {Sanket Shah and Milind Tambe and Jessie Finocchiaro},
journal= {arXiv preprint arXiv:2502.19522},
year = {2025}
}