带弃权的结构化输出学习：应用于精确观点预测
机器学习
2019-01-16 v2 人工智能
机器学习
摘要
受监督观点分析的启发，我们提出了一种专用于带弃权的结构化输出学习的新框架。该结构预测模型能够以一种灵活的、由用户选择代价的方式，弃绝对结构化输出中某些标签的预测。为此，我们将问题分解为一对预测器的学习，一个专用于结构化弃权，另一个专用于结构化输出预测。为了将完全标注的训练数据与可能包含弃权的预测进行比较，我们定义了一大类非对称的弃权感知损失。学习通过在适当的特征空间中进行代理回归来实现，而带弃权的预测则通过求解新的预图像问题来执行。因此，SOLA 扩展了通过代理问题和校准理论进行结构化输出预测的近期思想，并享有对所得超额风险的统计保证。在分层弃权感知损失上实例化后，SOLA 被证明与细粒度观点挖掘相关，并在该任务上取得了当前最优的结果。此外，弃权感知表示可用于基于句子级观点预测器竞争性地预测用户评论评分。
引用
@article{arxiv.1803.08355,
title = {Structured Output Learning with Abstention: Application to Accurate Opinion Prediction},
author = {Alexandre Garcia and Slim Essid and Chloé Clavel and Florence d'Alché-Buc},
journal= {arXiv preprint arXiv:1803.08355},
year = {2019}
}