面向分类与回归问题的带拒绝广义学习
机器学习
2019-11-05 v1 机器学习
摘要
带拒绝的学习（LWR）使得机器学习系统能够丢弃预测模型生成的低置信度决策。也就是说，就像人类专家一样，LWR 允许机器模型在预期预测可靠性较低时放弃生成预测。文献中已提出了若干带拒绝学习框架。然而，其中大多数仅适用于分类问题，而带拒绝的回归尚未被详细研究。本工作中，我们提出了一种基于广义元损失函数的 LWR 神经框架，该框架涉及两个神经网络模型的同时训练：用于生成预测的预测器模型与用于决定预测应被接受或拒绝的拒绝器模型。所提框架可用于分类以及回归和其他相关机器学习任务。我们已在合成生成的数据以及来自 UCI 机器学习仓库的基准数据集上针对分类与回归问题展示了该方法的适用性与有效性。尽管实现更为简单，所提带拒绝学习方案被证明性能与先前提出的方法相当或更优。此外，我们将该方法应用于基于卫星图像的飓风强度预测问题。相较于传统监督方法的性能显著提升表明了该方案在真实世界回归问题中的有效性。
引用
@article{arxiv.1911.00896,
title = {Generalized Learning with Rejection for Classification and Regression Problems},
author = {Amina Asif and Fayyaz ul Amir Afsar Minhas},
journal= {arXiv preprint arXiv:1911.00896},
year = {2019}
}