論文の概要: The Structured Abstain Problem and the Lov\'asz Hinge
- arxiv url: http://arxiv.org/abs/2203.08645v1
- Date: Wed, 16 Mar 2022 14:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 19:40:25.403722
- Title: The Structured Abstain Problem and the Lov\'asz Hinge
- Title(参考訳): 構造的不確かさ問題と Lov\'asz ヒンジ
- Authors: Jessie Finocchiaro and Rafael Frongilo and Enrique Nueve
- Abstract要約: 集合関数がモジュラーでない限り、Lov'asz ヒンジは所望の目標に対して矛盾しないことを示す。
2つのリンク関数を導出し、それぞれがすべての部分モジュラー集合関数に対して同時に整合である。
- 参考スコア(独自算出の注目度): 0.5156484100374059
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Lov\'asz hinge is a convex surrogate recently proposed for structured
binary classification, in which $k$ binary predictions are made simultaneously
and the error is judged by a submodular set function. Despite its wide usage in
image segmentation and related problems, its consistency has remained open. We
resolve this open question, showing that the Lov\'asz hinge is inconsistent for
its desired target unless the set function is modular. Leveraging a recent
embedding framework, we instead derive the target loss for which the Lov\'asz
hinge is consistent. This target, which we call the structured abstain problem,
allows one to abstain on any subset of the $k$ predictions. We derive two link
functions, each of which are consistent for all submodular set functions
simultaneously.
- Abstract(参考訳): lov\'asz ヒンジは構造化バイナリ分類のために最近提案された凸サーロゲートで、$k$ バイナリの予測が同時に行われ、エラーは部分モジュラー集合関数によって判断される。
画像のセグメンテーションや関連する問題で広く使われているが、一貫性は依然として維持されている。
この開問題は、Lov\'asz のヒンジが、集合関数がモジュラーでない限り、その所望の目的に対して矛盾しないことを示す。
最近の組込みフレームワークを利用することで、lov\'aszヒンジが一貫性のあるターゲット損失を導出します。
このターゲットは構造化アブスタン問題(structured abstain problem)と呼ばれ、$k$の予測の任意のサブセットを棄却できる。
2つのリンク関数を導出し、それぞれがすべての部分モジュラー集合関数に対して同一である。
関連論文リスト
- Optimization of Time-Dependent Decoherence Rates and Coherent Control
for a Qutrit System [77.34726150561087]
非コヒーレント制御は、特定の制御方法で時間に応じてデコヒーレンス率を決定する。
我々は、システムの最終状態$rho(T)$と与えられたターゲット状態$rho_rmターゲットとの間のヒルベルト・シュミットの重なりを最大化する問題を考察する。
論文 参考訳(メタデータ) (2023-08-08T01:28:50Z) - Universal Online Learning with Gradient Variations: A Multi-layer Online
Ensemble Approach [65.10444843694003]
本稿では,2段階の適応性を持つオンライン凸最適化手法を提案する。
我々は$mathcalO(log V_T)$, $mathcalO(d log V_T)$, $widehatmathcalO(sqrtV_T)$ regret bounds for strong convex, exp-concave and convex loss function。
論文 参考訳(メタデータ) (2023-07-17T09:55:35Z) - Constrained Optimization of Rank-One Functions with Indicator Variables [0.0]
様々な機械学習アプリケーションに現れる決定変数のサポートに関する制約をモデル化する制約よりも、ランクワン凸関数が関与する最適化問題である。
本稿では、視点関数によって誘導される隠れ円錐構造を利用する構成的アプローチを提案する。
これにより、非線形可分あるいは非可分な目的関数を持つ集合の凸包記述に対する視点記述を体系的に与え、連続変数の制約にサインし、指標変数の制約を与えることができる。
論文 参考訳(メタデータ) (2023-03-31T15:51:56Z) - Randomized Greedy Learning for Non-monotone Stochastic Submodular
Maximization Under Full-bandit Feedback [98.29086113546045]
本稿では,非拘束型マルチアームバンディットのフルバンドフィードバックとサブモジュール性に対する報奨問題について検討する。
RGLは、サブモジュールおよび非サブモジュール設定において、他のフルバンド変種よりも経験的に優れていることを示す。
論文 参考訳(メタデータ) (2023-02-02T18:52:14Z) - Interactive Combinatorial Bandits: Balancing Competitivity and
Complementarity [20.31674763393817]
オンライン対話型バンディット設定における非モジュール機能について検討する。
純粋に劣モジュラーなアプローチを2つの方法で拡張する。
我々は、MovieLensデータセットと、分類のためのトレーニングサブセットの選択を数値的に研究する。
論文 参考訳(メタデータ) (2022-07-07T05:10:15Z) - Adaptive Bandit Convex Optimization with Heterogeneous Curvature [40.368893108265056]
本研究では,学習者が決定を下すと,各関数が独自の曲率を持つ異種環境について検討する。
我々は, 高速で曲率に適応できる効率的なアルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-02-12T21:55:42Z) - Problem Dependent View on Structured Thresholding Bandit Problems [73.70176003598449]
我々は、Thresholding Bandit problem (TBP)における問題依存体制について検討する。
学習者の目的は、シーケンシャルゲームの終わりに、所定のしきい値を超える手段を持つアームセットを出力することである。
コンケーブ設定と単調設定の両方で誤差の確率を上下に設定する。
論文 参考訳(メタデータ) (2021-06-18T15:01:01Z) - Submodular + Concave [53.208470310734825]
第一次最適化法が凹関数の最大目的値に収束できることはよく確立されている。
本研究では、滑らかな函数凸体(英語版)の行列式を$F(x) = G(x) +C(x)$で始める。
このクラスの函数は、保証がないような凹凸函数と連続DR-部分モジュラ函数の両方の拡張である。
論文 参考訳(メタデータ) (2021-06-09T01:59:55Z) - Submodular Maximization Through Barrier Functions [32.41824379833395]
連続最適化における障壁関数に着想を得た制約付き部分モジュラーの新しい手法を提案する。
提案するアルゴリズムを実世界の複数のアプリケーションに対して広範囲に評価する。
論文 参考訳(メタデータ) (2020-02-10T03:32:49Z) - Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。
1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。
本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-06T22:58:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。