分布鲁棒图模型
机器学习
2018-11-08 v1 人工智能
机器学习
摘要
在许多结构化预测问题中，变量间的复杂关系使用图结构紧凑地定义。最普遍的图预测方法——概率图模型与大间隔方法——各有其独特优势，但也存在显著缺陷。条件随机场(CRFs)是Fisher一致的，但它们不允许将定制损失度量整合进学习过程。大间隔模型，如结构化支持向量机(SSVMs)，具有整合定制损失度量的灵活性，但缺乏Fisher一致性保证。我们提出对抗图模型(AGM)，一种分布鲁棒方法，用于构造对由图结构定义的一类数据分布表现鲁棒的预测器。我们的方法既享有将定制损失度量纳入设计的灵活性，又具备Fisher一致性的统计保证。我们给出了AGM的精确学习与预测算法，其时间复杂度与现有图模型相近，并通过实验展示了我们方法的实际益处。
引用
@article{arxiv.1811.02728,
title = {Distributionally Robust Graphical Models},
author = {Rizal Fathony and Ashkan Rezaei and Mohammad Ali Bashiri and Xinhua Zhang and Brian D. Ziebart},
journal= {arXiv preprint arXiv:1811.02728},
year = {2018}
}
备注
Appears in Neural Information Processing Systems, 2018