关于从 corrupted 标签学习的对称损失
机器学习
2019-09-10 v2 机器学习
摘要
本文旨在更好地理解对称损失。首先，我们强调在使用对称损失时，有利于从 corrupted 标签进行平衡错误率（BER）最小化与受试者工作特征曲线下面积（AUC）最大化。其次，我们证明对称损失的一般理论性质，包括分类校准条件、超额风险界、条件风险最小化器以及 AUC 一致性条件。第三，由于所有非负对称损失均为非凸的，我们提出一种凸 barrier hinge 损失，其虽非处处对称，却显著受益于对称条件。最后，我们进行实验以验证对称条件的相关性。
引用
@article{arxiv.1901.09314,
title = {On Symmetric Losses for Learning from Corrupted Labels},
author = {Nontawat Charoenphakdee and Jongyeong Lee and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1901.09314},
year = {2019}
}
备注
ICML2019 with minor typo fixes