SoDeep：一种用于学习排序损失代理的排序深度网络

机器学习中的若干任务使用不可微度量（如平均精度均值或Spearman相关）进行评估。然而，其不可微性阻碍了将它们用作学习框架中的目标函数。现有代理与松弛方法往往针对特定度量。本工作中，我们引入一种新方法来学习此类不可微目标函数的近似。我们的方法基于一个深度架构，其近似任意分数集的排序，使用合成数据几乎免费地进行训练。该排序深度（SoDeep）网络随后可以即插即用的方式与传统深度架构结合。我们在三个需要排序的不同任务中展示了我们方法的优势：跨模态文本-图像检索、多标签图像分类与视觉可记忆性排序。我们的方法在这三个任务上均取得了极具竞争力的结果，验证了SoDeep作为基于排序损失中排序操作代理的价值与灵活性。