面向宏平均-at-$k$指标的多标签分类一致性算法
机器学习
2024-07-02 v3
摘要
我们在总体效用框架下考虑多标签分类中复杂性能指标的优化问题。我们主要关注可线性分解为应用于每个标签的二元分类效用之和，并附加要求每个实例预测恰好个标签的指标。这些“宏平均-at-”指标对于具有长尾标签的极端分类问题具有期望的性质。不幸的是，at-约束将原本独立的二元分类任务耦合在一起，导致优化问题比标准的宏平均更具挑战性。我们提供了一个统计框架来研究这个问题，证明了最优分类器的存在性和形式，并提出了一种基于Frank-Wolfe方法的统计一致且实用的学习算法。有趣的是，我们的主要结果涉及更一般的指标，即标签混淆矩阵的非线性函数。实证结果为所提方法的竞争性性能提供了证据。
引用
@article{arxiv.2401.16594,
title = {Consistent algorithms for multi-label classification with macro-at-$k$ metrics},
author = {Erik Schultheis and Wojciech Kotłowski and Marek Wydmuch and Rohit Babbar and Strom Borman and Krzysztof Dembczyński},
journal= {arXiv preprint arXiv:2401.16594},
year = {2024}
}
备注
This is the authors' version of the work accepted to ICLR 2024; the final version of the paper, errors and typos corrected, and minor modifications to improve clarity