深度次模周边网络

次模函数对诸多应用至关重要，但常缺乏实用的学习方法以获取它们。看似无关的是，尽管心理测量学中历史悠久，但利用提供分级成对偏好（GPC）的神谕来学习标度却未得到充分探索。本文中，我们引入深度次模周边网络（DSPNs），一种新颖的次模函数参数族，以及使用基于GPC的策略训练它们的方法，以连接并随后解决上述两个挑战。我们引入新设计的GPC风格“周边”损失，该损失利用对象对（在我们的情形中为集合）之间的数值分级关系。与传统对比学习或RHLF偏好排序不同，我们的方法利用分级比较，提取比仅二元结果比较更细致的信息，并对比任意大小的集合（而非仅两个）。我们还定义了一套新颖的自动采样策略用于训练，包括受主动学习启发的次模反馈。我们展示了DSPNs在从代价高昂的目标次模函数中学习次模性的有效性，并证明了其在实验设计和在线流式应用中的优越性。