局部结构化输出预测器的半监督学习
机器学习
2016-04-12 v1 计算机视觉与模式识别
摘要
本文研究半监督结构化输出预测问题，旨在从一组同时包含输入输出对和无输出的单输入数据点中学习结构化输出（如序列、树节点、向量等）的预测器。解决该问题的传统方法通常为所有数据点学习单一预测器，忽略了不同数据点的多样性。数据集的不同部分可能具有不同局部分布，需要不同最优局部预测器。为克服现有方法的这一缺点，我们提出为不同数据点的邻域同时学习不同局部预测器以及缺失的结构化输出。在每个数据点的邻域中，我们提出通过最小化预测器复杂度和结构化预测损失上界来学习线性预测器。最小化通过梯度下降算法进行。在四个基准数据集上的实验，包括DDSM mammography medical images、SUN natural image data set、Cora research paper data set和Spanish news wire article sentence data set，显示了所提方法的优势。
引用
@article{arxiv.1604.03010,
title = {Semi-supervised learning of local structured output predictors},
author = {Xin Du},
journal= {arXiv preprint arXiv:1604.03010},
year = {2016}
}