二分类中线性分式效用的校准代理最大化
机器学习
2020-02-18 v2 机器学习
摘要
诸如F测度和Jaccard指数等复杂分类性能度量常被用于处理类别不平衡情形，如信息检索与图像分割。这些性能度量不可分解，即无法以逐样本方式表达，这阻碍了监督学习中广泛使用的M估计的直接应用。本文考虑线性分式度量——一类涵盖诸多标准度量（如F测度和Jaccard指数）的分类性能度量，并提出直接最大化这些度量下性能的方法。解决其直接优化的一个线索是校准代理效用，它是表示给定度量的真实效用函数的易处理下界。我们刻画了使代理最大化与真实效用最大化相一致的充分条件。在基准数据集上的仿真结果验证了我们的校准代理最大化方法的有效性，尤其在样本量极小时。
引用
@article{arxiv.1905.12511,
title = {Calibrated Surrogate Maximization of Linear-fractional Utility in Binary Classification},
author = {Han Bao and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1905.12511},
year = {2020}
}
备注
AISTATS2020 camera ready submission