预算约束下的最大代价离散函数求值问题
机器学习
2015-01-13 v1
摘要
我们提出了在预算约束下解决最大代价离散函数求值问题（DFEP）的新方法。我们的研究动机源于临床诊断等应用，其中患者在做出诊断前需接受一系列（可能昂贵的）检测。我们的目标是开发用于最小化最大代价的策略。该问题已知是 NP 难的，且已有基于专门不纯函数的贪心方法被提出。我们发展了一大类“可容许”不纯函数，其包含单项式、多项式类以及铰链损失函数，从而允许灵活的不纯函数设计，并具有可证明的最优近似界。当最大代价对“离群点”过度敏感时，这种灵活性对数据集而言十分重要。离群点使最大代价偏向少数需要大量检测才能分类的样本。我们设计了允许精度—代价权衡的可容许函数，并对具有相应分类精度水平的树给出了最优代价的 保证。
引用
@article{arxiv.1501.02702,
title = {Max-Cost Discrete Function Evaluation Problem under a Budget},
author = {Feng Nan and Joseph Wang and Venkatesh Saligrama},
journal= {arXiv preprint arXiv:1501.02702},
year = {2015}
}