面向移动众包的个性化分类器集成剪枝框架
分布式、并行与集群计算
2017-01-26 v1 人机交互
机器学习
摘要
集成学习已被广泛应用于移动应用中，范围从环境感知到活动识别。集成学习的基本问题之一是分类准确率与计算成本之间的权衡，这也是集成剪枝的目标。在众包过程中，中心化聚合器向大量移动参与者发布集成学习模型，用于任务评估或作为众包学习结果，而不同的参与者可能寻求不同水平的准确率 - 成本权衡。然而，大多数现有的集成剪枝方法仅考虑单一水平的此类权衡。在本研究中，我们提出了一种通过多目标优化实现个性化准确率 - 成本权衡的高效集成剪枝框架。具体而言，对于常用的线性组合风格的权衡，我们提供了一种目标混合优化，以进一步减少集成候选者的数量。实验结果表明，我们的框架对于个性化集成剪枝非常高效，并且与最先进的方法相比，通过目标混合优化实现了更好的剪枝性能。
引用
@article{arxiv.1701.07166,
title = {Personalized Classifier Ensemble Pruning Framework for Mobile Crowdsourcing},
author = {Shaowei Wang and Liusheng Huang and Pengzhan Wang and Hongli Xu and Wei Yang},
journal= {arXiv preprint arXiv:1701.07166},
year = {2017}
}