AISTATS2018|密歇根大学提出新型在线boosting算法用于多标签排序(已开源)

Online Boosting Algorithms for Multi-label Ranking

Young Hun Jung, Ambuj Tewari

University of Michigan

http://proceedings.mlr.press/v84/jung18a/jung18a.pdf

这篇文章主要讨论多标签排序。

Boosting是一种比较适合多标签排序的方法，它能够通过多数表决来聚合多个弱学习器的结果，这些结果可以直接当作评分，进而得到标签的排序。

作者们设计了在线boosting算法用于多标签排序，并且证明了损失下界。

该文章的第一个算法从学习器的个数来说是最优的，同时保证得到期望的准确率，但是该算法需要弱学习器的边缘知识。为了避免这个问题，作者们设计了一种不需要这种知识的自适应算法，这样就会更加实用。

实验结果表明，在真实数据集上，本文算法至少跟现有批式boosting算法一样好。

在线boosting跟离线的boosting区别如下

问题描述及符号约定如下

设计思路及框架如下

本文采用的boosting框架如下

算法伪代码如下

针对基学习器，可以定义以下属性，即学习器的边界

在线弱学习条件的相关定义如下

关于损失向量，具有以下特性

势函数的定义如下

进一步，需要进行归一化处理

算法详情如下

下面是对应的算法伪代码

相关定理

关于损失函数，可以利用hinge loss

下面是一些推论

OnlineBMR具有一定的局限性，比如势函数没有闭解等，作者们提出一种新的自适应选择权重的算法。

新算法所利用的损失函数如下

这种算法所对应的一些细节如下，其中依赖于累积逻辑损失

其中OLMR全称为

Online, Logistic, Multi-label, and Ranking

该算法依赖于在线梯度下降方法

该算法的伪代码如下

排序损失对应的下界为

数据集信息统计如下

几种算法效果及运行时间对比如下

代码地址

https://github.com/yhjung88/OnlineMLRBoostingWithVFDT

---

              我是分割线

---

您可能感兴趣

KDD2019|基于注意力的深度学习如何实时预测购买还是浏览

AAAI2020|一种新型高效兼容多行为的推荐系统模型EHCF(已开源)

ICML2007|深度学习用于协同过滤的开篇作之一(出自深度学习鼻祖之一Hinton)

SIGIR2019|基于BERT的深度学习模型在信息检索中的应用(已开源)

SIGIR2019|基于注意力机制的新型深度学习模型(采莓树模型BIRD,已开源)

SIGIR2019|深度学习如何更好地用于学习排序(LTR)(已开源)

SIGIR2019|利用DeepSHAP来解释神经检索模型(已开源)

KDD2018|基于GBM的动态定价回归模型

KDD2018|超越deepfm的CTR预估模型深层兴趣网络DIN(已开源)

RecSys2019|优于DeepFM和XDeepFM的CTR模型FiBiNET

SIGIR2018|选择性GBDT(SelGB)用于排序学习(已开源)

IJCAI2019|基于对抗变分自编码的协同过滤框架VAEGAN

聊聊CatBoost

聊聊XGBoost CatBoost LightGBM RF GBDT

顶会中深度学习用于CTR预估的论文及代码集锦 (3)

ICML 2018 深度学习论文及代码集锦(5)

深度学习用于文本摘要的论文及代码集锦

深度学习用于机器翻译的论文及代码集锦

深度学习用于序列标注中的论文及代码集锦

深度学习在推荐系统中的应用及代码集锦(4)

深度学习在OCR中的应用论文及代码集锦 (2)