基于 Bregman 散度与单调重定向的排序学习
机器学习
2012-10-19 v1 机器学习
摘要
本文介绍了一种基于单调重定向（monotone retargeting）概念的排序学习（LETOR）新方法。该方法旨在最小化训练分数的所有单调递增变换与参数化预测函数之间的散度，优化过程同时针对变换和参数进行。该方法应用于 Bregman 散度，这是一大类“类距离”函数，近期已被证明是唯一与归一化折损增益（NDCG）准则统计一致的一类函数 [19]。该算法采用交替投影风格的更新策略，其中一组同步投影的计算独立于 Bregman 散度，而另一组则简化为广义线性模型的参数估计。由此产生了一种易于实现、可高效并行化的 LETOR 算法，并在温和条件下具有全局最优保证。我们在基准数据集上的实证结果表明，该方法优于现有的 NDCG 一致性技术。
引用
@article{arxiv.1210.4851,
title = {Learning to Rank With Bregman Divergences and Monotone Retargeting},
author = {Sreangsu Acharyya and Oluwasanmi Koyejo and Joydeep Ghosh},
journal= {arXiv preprint arXiv:1210.4851},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (UAI2012)