面向直接损失最小化的随机扰动结构化预测器学习
机器学习
2021-06-15 v2 机器学习
摘要
直接损失最小化是一种在结构化标签空间上学习预测器的流行方法。该方法在计算上具有吸引力，因为它用优化替代了积分，并允许使用损失扰动预测在深度网络中传播梯度。近来，该技术被扩展至生成模型，同时引入了从随机扰动得分函数中采样结构的随机化预测器。在本工作中，我们学习这些随机化结构化预测器的方差，并表明其在结构化预测中更好地平衡了所学得分函数与随机噪声。我们通过实验证明了在结构化离散空间中学习信号与随机噪声之间平衡的有效性。
引用
@article{arxiv.2007.05724,
title = {Learning Randomly Perturbed Structured Predictors for Direct Loss Minimization},
author = {Hedda Cohen Indelman and Tamir Hazan},
journal= {arXiv preprint arXiv:2007.05724},
year = {2021}
}
备注
Proceedings of the 38th International Conference on Machine Learning, 2021