具有Top-k反馈的多标签排序在线提升算法
机器学习
2020-10-20 v3 机器学习
摘要
我们提出了具有top-k反馈的多标签排序在线提升算法，其中学习器仅接收其提供排序中前k项的信息。我们提出了一种新颖的替代损失函数和无偏估计量，使弱学习器能以有限信息自我更新。利用这些技术，我们将全信息多标签排序算法（Jung和Tewari，2018）适配到top-k反馈设定，并提供了与全信息对应算法界限紧密匹配的理论性能界，代价是样本复杂度增加。这些理论结果进一步由我们的实验所证实，实验显示在各数据集上top-k反馈设定算法与全信息设定算法之间的性能差距很小。
引用
@article{arxiv.1910.10937,
title = {Online Boosting for Multilabel Ranking with Top-k Feedback},
author = {Vinod Raman and Daniel T. Zhang and Young Hun Jung and Ambuj Tewari},
journal= {arXiv preprint arXiv:1910.10937},
year = {2020}
}
备注
Under review for AISTATS 2021. Fixed small errors throughout the manuscript and added new content comparing/contrasting various randomization procedures