NPSVC++：非平行分类器遭遇表示学习
机器学习
2024-02-12 v1 机器学习
摘要
本文关注一类称为非平行支持向量分类器（NPSVCs）的分类器。与典型分类器不同，NPSVC的训练涉及多个目标的最小化，这可能导致特征次优性和类别依赖性的潜在问题。因此，尚未建立有效的学习方案来通过表示学习（尤其是深度学习）提高NPSVC的性能。为了打破这一瓶颈，我们基于多目标优化开发了NPSVC++，实现了NPSVC及其特征的端到端学习。通过追求帕累托最优，NPSVC++在理论上确保了跨类别的特征最优性，从而有效克服了上述两个问题。提出了通过对偶优化的通用学习过程，并基于此提供了两个可应用的实例：K-NPSVC++和D-NPSVC++。实验表明它们优于现有方法，并验证了NPSVC++的有效性。
引用
@article{arxiv.2402.06010,
title = {NPSVC++: Nonparallel Classifiers Encounter Representation Learning},
author = {Junhong Zhang and Zhihui Lai and Jie Zhou and Guangfei Liang},
journal= {arXiv preprint arXiv:2402.06010},
year = {2024}
}