大规模最小风险分类器的高效学习
多智能体系统
2025-11-25 v1 计算机科学与博弈论
摘要
大规模数据的监督学习通常会导致复杂的优化问题，尤其是针对多类别分类任务。随机子梯度方法可以有效地利用大量样本进行分类技术的学习，这些技术最小化训练样本上的平均损失。然而，最近出现的技术，例如最小风险分类器（MRCs），最小化最大预期损失，难以采用随机子梯度方法。在本文中，我们提出一种基于约束和列生成结合的学习算法，使MRCs能够高效地处理大规模数据以进行多类别分类任务的学习。多个基准数据集上的实验表明，所提出的算法为一般的大规模数据实现了最高可达10倍的加速，并在类别数较大时实现约100倍的加速。
引用
@article{arxiv.2511.17625,
title = {Iterative Negotiation and Oversight: A Case Study in Decentralized Air Traffic Management},
author = {Jaehan Im and John-Paul Clarke and Ufuk Topcu and David Fridovich-Keil},
journal= {arXiv preprint arXiv:2511.17625},
year = {2025}
}