structured learning-structured svm

structure learning 介绍

通过train data 训练出出F（），之后test给你一个x遍历所有y带进去看看哪个更适当。x，y一对一对带进去。

用这个unified framework要解决下边三个问题。第二个问题是y的空间太大，遍历所有必须选个好的算法。

例子用object detection讲解structured learning。有更复杂的例子如找出图片中马的轮廓圈出来，和找出人所做的动作。下边学的东西都可以用到其他的任务里structure learning问题中。

下边的与w相乘的函数是人的定义它的。自己定义一套规则。w是train data 来train出来的。

w与fai做内积计算，带入x，一个一个遍历所有y看看哪个值最大。

test：给一个x，找出w与fai的内积最大此时的y就是正确答案。看起来比较花时间。

在下边讲解想象问题2已经解决，问题二是找到使F（）值最大的y，这个算法已经有了。下边是解决问题二的算法。

问题3，我今天要找到F（x，y），就是x1和 y hat 1带进去，得到的比其他y带进去大。同理x2和y hat 2 带进去比其他y还要大。对所有train data做到这件事。 接下来集中解决问题3.

接下来要讲的东西目录。
假设可分情况下：真实的值都大于其他的值加上一个δ;找到这样的F（x，y）。F就是feature function。找到了就进行训练得到w。

用这个演算法（structure perceptron结构化感知器）来得到w。 花多久才更新出w。w更新就是每一次都离正确的y近一些，离错误的y远一点。找出w。

我们真的能找到w把红色的点和蓝色的点分开吗，可以的。找到w只需要R除以δ平方次就可以了。δ就是上边的真实值y比预测的y大了δ。R就是带进不同的x，y得到的feature vector fai它们之间距离的最大值。蓝色的点多少不会影响update w 的次数。