通过多任务 AUC 优化学习个性化属性偏好
机器学习
2019-06-19 v1 计算机视觉与模式识别
机器学习
摘要
传统上，大多数现有的属性学习方法基于从有限数量标注者处聚合的标注共识进行训练。然而，在涉及具有不同兴趣和属性词理解的大量标注者的设定中，共识可能失效。在本文中，我们提出一种新颖的多任务方法来理解和预测个性化属性标注。将每位标注者的属性偏好学习视为特定任务，我们首先提出一种多层次任务参数分解，以捕捉从大众的高度普遍意见到每个人特有的高度个性化选择的演化。同时，对于个性化学习方法，排序预测比精确分类更为重要。这促使我们采用基于 ROC 曲线下面积（AUC）的损失函数来改进模型。在 AUC 基损失之上，我们提出一种高效方法来评估损失与梯度。理论上，我们针对其中一个非凸子问题提出一种新颖的闭式解，从而带来可证明的收敛行为。此外，我们还提供泛化界以保证合理的性能。最后，实证分析一致证明了我们所提方法的有效性。
引用
@article{arxiv.1906.07341,
title = {Learning Personalized Attribute Preference via Multi-task AUC Optimization},
author = {Zhiyong Yang and Qianqian Xu and Xiaochun Cao and Qingming Huang},
journal= {arXiv preprint arXiv:1906.07341},
year = {2019}
}
备注
AAAI2019 oral