多标签学习中广义指标优化的原则算法

许多现实世界的分类任务需要预测每个实例的多个标签， necessitating 优化复杂评估指标如 $F$ 指数和 Jaccard 索引。虽然经验效用最大化（EUM）框架对这些 population 水平指标而言是自然的，但现有理论结果大多局限于渐近贝叶斯一致性。本文我们在 EUM 框架内，针对优化广义指标，发展出原则学习算法，基于更强的 $H$-一致性概念。我们的关键贡献是设计新的多标签学习替代损失函数，具备可证明的 $H$-一致性界，使其能够针对假设类和有限样本进行非渐近保证的优化。关键的是，我们证明这些组合公式化的替代损失函数恰好分解，在严格 $O(l)$ 时间内无需近似。基于这一基础，我们引入 MMO（Multi-Label Metric Optimization），即一族针对优化广义线性分数指标的算法。我们通过大规模数据集（MS-COCO、Reuters-21578）上的广泛实验验证了我们的方案，在高稀疏、深度学习情境下表现出稳健的可扩展性和优于最新持续基线的性能。我们的结果在理论严谨性和实际有效性方面，为一般化的多标签指标优化提供了支持。