利用信息散度边界的精确率-召回率曲线
机器学习
2020-06-09 v2 机器学习
摘要
尽管生成模型估计取得了巨大进展，用于诊断其失败并评估其性能的工具的发展却缓慢得多。近期的研究探讨了量化真实分布中哪些部分被良好建模、反之模型未能捕捉哪些部分的度量，类似于信息检索中的精确率与召回率。在本文中，我们提出一个用于生成模型的通用评估框架，利用 Rényi 散度度量精确率与召回率之间的权衡。我们的框架为现有技术提供了新视角并将其推广到更一般的领域。作为一个关键优势，该表述同时涵盖连续与离散模型，并允许设计不必对数据进行量化的高效算法。我们进一步分析了实践中所用近似的偏差。
引用
@article{arxiv.1905.10768,
title = {Precision-Recall Curves Using Information Divergence Frontiers},
author = {Josip Djolonga and Mario Lucic and Marco Cuturi and Olivier Bachem and Olivier Bousquet and Sylvain Gelly},
journal= {arXiv preprint arXiv:1905.10768},
year = {2020}
}
备注
Updated to the AISTATS 2020 version