结构化预测中线性规划松弛的训练与测试紧度
机器学习
2016-04-28 v3 人工智能
机器学习
摘要
结构化预测被用于计算机视觉和自然语言处理等领域，以预测如分割图或解析树等结构化输出。在这些设定中，预测通过MAP推断或等价地通过求解整数线性规划来完成。由于获得准确预测所需的复杂评分函数，学习和推断通常都需要使用近似求解器。我们针对一个引人注目的观察现象提出理论解释：基于线性规划（LP）松弛的近似在真实世界实例上常常是紧的。具体地，我们展示了使用LP松弛推断进行学习会促使训练实例的整数性，并且紧度从训练数据泛化到测试数据。
引用
@article{arxiv.1511.01419,
title = {Train and Test Tightness of LP Relaxations in Structured Prediction},
author = {Ofer Meshi and Mehrdad Mahdavi and Adrian Weller and David Sontag},
journal= {arXiv preprint arXiv:1511.01419},
year = {2016}
}
备注
To appear in ICML 2016