AP-Perf：在可微学习中融入通用性能度量
机器学习
2020-03-04 v2 机器学习
摘要
我们提出一种方法，使实践者能够方便地将自定义不可分解性能度量融入可微学习流水线，尤其是那些基于神经网络架构的流水线。我们的方法基于近期发展的对抗预测框架，一种在给定经验分布统计摘要的最坏情形下优化度量的分布鲁棒方法。我们提出一种边际分布技术，以降低在大量不可分解度量上优化对抗预测公式的复杂度。我们展示了使用我们所提供工具编写和融入复杂自定义度量是多么容易。最后，我们在UCI仓库与基准数据集的表格数据分类任务以及图像分类任务上展示了方法的有效性。我们提出方法的代码可在 https://github.com/rizalzaf/AdversarialPrediction.jl 获取。
引用
@article{arxiv.1912.00965,
title = {AP-Perf: Incorporating Generic Performance Metrics in Differentiable Learning},
author = {Rizal Fathony and J. Zico Kolter},
journal= {arXiv preprint arXiv:1912.00965},
year = {2020}
}
备注
Appears in the Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS) 2020