基于自适应符号嵌入的树编辑距离学习：补充材料与结果
机器学习
2018-05-21 v1 机器学习
摘要
度量学习旨在通过学得一个距离度量来提升分类准确率，该度量使同类别数据点彼此更接近、不同类别数据点更远离。近期研究表明，度量学习方法也可通过学得以树（如分子结构、计算机程序的抽象语法树或自然语言的句法树）的编辑距离代价函数（即树中替换、删除或插入节点的代价）应用于树。然而，直接学习此类代价可能得到一个违背度量公理、难以解释且泛化性不佳的编辑距离。在本文中，我们提出一种新颖的树度量学习方法，该方法通过把树节点嵌入为向量来间接学习编辑距离，使得这些向量间的欧氏距离有助于类别区分。我们通过缩小到同类原型树的距离并增大到不同类原型树的距离来学习此类嵌入。在实验中，我们表明所提度量学习方法在六个基准数据集上超越了最先进的树度量学习方法，这些数据集涵盖计算机科学、生物医学数据以及一个包含超过 300,000 个节点的自然语言处理数据集。
引用
@article{arxiv.1805.07123,
title = {Tree Edit Distance Learning via Adaptive Symbol Embeddings: Supplementary Materials and Results},
author = {Benjamin Paaßen},
journal= {arXiv preprint arXiv:1805.07123},
year = {2018}
}
备注
Supplementary Materials and additional Results for the ICML 2018 paper Tree Edit Distance Learning via Adaptive Symbol Embeddings