地标序数嵌入
机器学习
2019-10-29 v1 机器学习
摘要
在本文中，我们旨在从一组形如“ item j 比 item k 更接近 item i”的约束中学习低维欧几里得表示。该“序数嵌入”问题的现有方法需要昂贵的优化过程，无法扩展以处理日益增大的数据集。为解决此问题，我们提出一种基于地标的策略，称为地标序数嵌入（LOE）。我们的方法通过利用潜在嵌入的低维性，以统计效率换取计算效率。我们推导了在流行的 Bradley-Terry-Luce 噪声模型下 LOE 统计一致性的界。通过对计算复杂度的严格分析，我们表明随着 item 数量增长，LOE 比常规序数嵌入方法显著更高效。我们在合成与真实数据集上对这些特性进行了实证验证。我们还提出了一种实用方法以实现“两全其美”，即使用 LOE 热启动那些统计更高效但计算昂贵的现有方法。
引用
@article{arxiv.1910.12379,
title = {Landmark Ordinal Embedding},
author = {Nikhil Ghosh and Yuxin Chen and Yisong Yue},
journal= {arXiv preprint arXiv:1910.12379},
year = {2019}
}
备注
NeurIPS 2019