通过输出空间量化的多目标回归
机器学习
2020-03-24 v1 机器学习
摘要
多目标回归关注利用一组共享的预测变量对多个连续目标变量进行预测。多目标回归的两个关键挑战是：(a) 对目标依赖关系建模，以及 (b) 对大输出空间的可扩展性。本文提出一种新的多目标回归方法，试图通过一种新颖的问题变换方法共同应对这些挑战。所提方法称为 MRQ，其基于将输出空间量化以将多个连续目标转换为一个或多个离散目标的思想。在变换后的输出空间上学习自然能够实现对目标依赖关系的建模，而量化策略可灵活参数化以控制预测精度与计算效率之间的权衡。在大量基准数据集上的实验表明，MRQ 不仅具有高度可扩展性，而且在精度方面与最先进（SOTA）方法具有竞争力。特别地，MRQ 的集成版本取得了最佳的总体精度，同时比第二名方法快一个数量级。
引用
@article{arxiv.2003.09896,
title = {Multi-target regression via output space quantization},
author = {Eleftherios Spyromitros-Xioufis and Konstantinos Sechidis and Ioannis Vlahavas},
journal= {arXiv preprint arXiv:2003.09896},
year = {2020}
}
备注
International Joint Conference on Neural Networks (IJCNN) 19-25 July, 2020