用于双向部分 AUC 最大化的随机原始-对偶双块坐标算法
机器学习
2025-09-30 v2
摘要
双向部分 AUC（TPAUC）是数据不平衡二元分类的一项关键性能指标，因为它关注真阳性率（TPR）和假阳性率（FPR）的特定范围。然而，用于 TPAUC 优化的随机算法仍然未被充分探索，现有方法要么局限于近似的 TPAUC 损失函数，要么受制于次优的复杂度。为了克服这些局限性，我们引入了两种用于 TPAUC 最大化的新颖随机原始-对偶双块坐标算法。这些算法对原始变量和对偶变量均利用随机块坐标更新，适用于凸和非凸设定。我们提供了理论收敛速率分析，证明了对先前方法的显著改进。基于多个基准数据集的实验结果验证了我们算法的卓越性能，展示了更快的收敛速度和更好的泛化能力。这项工作推进了 TPAUC 优化的最新技术，并为真实世界的机器学习应用提供了实用工具。
引用
@article{arxiv.2505.21944,
title = {Stochastic Primal-Dual Double Block-Coordinate for Two-way Partial AUC Maximization},
author = {Linli Zhou and Bokun Wang and My T. Thai and Tianbao Yang},
journal= {arXiv preprint arXiv:2505.21944},
year = {2025}
}