CPMetric：用于学习结构化偏好间距离的深度孪生网络
机器学习
2020-10-15 v2 人工智能
机器学习
摘要
偏好是机器和人类决策的核心。偏好的表示、学习与推理是计算机科学内部及跨科学领域的重要研究课题。在处理偏好时，有必要理解并计算对象集合之间的距离，例如用户的偏好与待推荐对象的描述之间的距离。我们提出 CPDist，一种新颖的神经网络，用于解决学习度量结构化偏好表示之间距离的问题。我们使用流行的 CP-net 形式化方法表示偏好，然后利用深度神经网络学习最近提出的一种直接计算计算代价很高的度量函数。CPDist 是一种基于深度孪生网络的新颖度量学习方法，其学习由紧凑偏好表示诱导出的偏序之间的 Kendal Tau 距离。我们发现 CPDist 能够高精度地学习该距离函数，并在回归与分类任务上以更少的计算时间优于现有的近似算法。即使在 CPDist 仅使用相对于解空间维度而言少量样本训练时，性能依然良好，表明该网络泛化能力较强。
引用
@article{arxiv.1809.08350,
title = {CPMetric: Deep Siamese Networks for Learning Distances Between Structured Preferences},
author = {Andrea Loreggia and Nicholas Mattei and Francesca Rossi and K. Brent Venable},
journal= {arXiv preprint arXiv:1809.08350},
year = {2020}
}