归一化层次支持向量机
机器学习
2016-03-07 v2
摘要
我们提出了在大规模层次分类问题中使用结构化支持向量机(structured SVM)的改进方法，即标签为树或有向无环图(DAG)中的叶节点或叶节点集合。我们考察了对正则化和间隔进行归一化的必要性，并展示了此举如何显著提升性能，包括在未经归一化的结构化支持向量机表现不优于扁平模型的情况下取得最先进(state-of-the-art)结果。我们还描述了层次支持向量机的进一步扩展，其凸显了层次支持向量机与矩阵分解模型之间的联系。
引用
@article{arxiv.1508.02479,
title = {Normalized Hierarchical SVM},
author = {Heejin Choi and Yutaka Sasaki and Nathan Srebro},
journal= {arXiv preprint arXiv:1508.02479},
year = {2016}
}