当前位置: X-MOL 学术arXiv.cs.LG › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
弱监督分类的下限适当损失
arXiv - CS - Machine Learning Pub Date : 2021-03-04 , DOI: arxiv-2103.02893
Shuhei M. Yoshida, Takashi Takenouchi, Masashi Sugiyama

本文讨论了分类的弱监督学习问题,在这种情况下,给出了由某些标签损坏过程产生的弱标签的情况。目标是得出条件,在这种条件下弱标签学习的损失函数是适当的且较低的-这是类别概率估计中使用的损失的两个基本要求。为此,我们导出了在监督学习中适当损失的表示定理,这使Savage表示双重化。我们使用该定理来表征适当的弱标签损失,并为它们的下界找到条件。根据这些理论发现,我们得出了一种称为广义logit压缩的新颖正则化方案,该方案使任何适当的弱标签丢失都从下面限制,而不会失去正确性。此外,我们通过实验证明了与不适当或无限制的损失相比,我们提出的方法的有效性。这些结果突出了正确性和低界限性的重要性。该代码可在https://github.com/yoshum/lower-bounded-proper-losses上公开获得。



"点击查看英文标题和摘要"

更新日期:2021-03-05
down
wechat
bug