tau-FPL：线性时间内的容差约束学习
机器学习
2018-01-16 v1 人工智能
机器学习
摘要
在众多机器学习应用中，学习一个对假正率具有控制的分类器起着关键作用。现有方法要么引入依赖先验知识的标签代价，要么基于传统分类器调参，因未严格遵循假正率约束而在方法论上缺乏一致性。本文提出一种新颖的打分—阈值化方法，即 tau-假正学习（tau-FPL）来解决该问题。我们证明考虑假正率容差的打分问题可在线性时间内高效求解，且一种自助法外阈值化方法可将学到的排序函数转化为低假正分类器。理论分析与实验结果均表明所提 tau-FPL 优于现有方法。
引用
@article{arxiv.1801.04701,
title = {tau-FPL: Tolerance-Constrained Learning in Linear Time},
author = {Ao Zhang and Nan Li and Jian Pu and Jun Wang and Junchi Yan and Hongyuan Zha},
journal= {arXiv preprint arXiv:1801.04701},
year = {2018}
}
备注
32 pages, 3 figures. This is an extended version of our paper published in AAAI-18