用于优化 HiggsML 挑战中发现显著性的加权分类级联
机器学习
2015-09-11 v5 机器学习
摘要
我们提出了一种 minorization-maximization 方法，用于优化高能物理中常见的发现显著性度量。该方法交替求解加权二分类问题并以简单的闭式形式更新类别权重。此外，基于凸对偶性的论证表明，任何一轮加权分类误差的改善都会带来发现显著性的相应改善。我们用 2014 年希格斯玻色子机器学习挑战的实验结果补充了我们的推导。
引用
@article{arxiv.1409.2655,
title = {Weighted Classification Cascades for Optimizing Discovery Significance in the HiggsML Challenge},
author = {Lester Mackey and Jordan Bryan and Man Yue Mo},
journal= {arXiv preprint arXiv:1409.2655},
year = {2015}
}