Wasserstein 重心模型集成
机器学习
2019-02-14 v1 机器学习
摘要
本文中，我们提出在多类或多标签学习设置中使用 Wasserstein（W.）重心进行模型集成。最优传输度量，如 Wasserstein 距离，允许纳入诸如词嵌入的语义侧信息。使用 W. 重心寻找模型间共识，使我们能够在寻找模型间一致性时平衡置信度与语义。我们展示了 Wasserstein 集成在基于属性的分类、多标签学习和图像字幕生成中的应用。这些结果表明，W. 集成是基本几何或算术平均集成的可行替代方案。
引用
@article{arxiv.1902.04999,
title = {Wasserstein Barycenter Model Ensembling},
author = {Pierre Dognin and Igor Melnyk and Youssef Mroueh and Jerret Ross and Cicero Dos Santos and Tom Sercu},
journal= {arXiv preprint arXiv:1902.04999},
year = {2019}
}
备注
ICLR 2019