具有可证明收敛性的精确率-召回率曲线下面积随机优化

ROC 曲线下面积（AUROC）和精确率-召回率曲线下面积（AUPRC）是评估不平衡问题分类性能的常用指标。与 AUROC 相比，AUPRC 更适合高度不平衡的数据集。虽然 AUROC 的随机优化已被广泛研究，但 AUPRC 的原则性随机优化很少被探索。本工作中，我们提出一种用于深度学习优化 AUPRC 的原则性技术方法。我们的方法基于最大化平均精度（AP），它是 AUPRC 的无偏点估计。我们将目标转化为一组依赖组合函数之和，其中内层函数依赖于外层级的随机变量。我们利用随机组合优化的最新进展，提出名为 SOAP 的高效自适应与非自适应随机算法，在温和条件下具有可证明收敛保证。在图像与图数据集上的大量实验结果表明，所提方法在不平衡问题的 AUPRC 上优于先前方法。据我们所知，我们的工作代表了首个以可证明收敛优化 AUPRC 的尝试。SOAP 已在 libAUC 库中实现：\url{https://libauc.org/}。