Bundle Methods for Structured Output Learning - Back to the Roots

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00212533" target="_blank" >RIV/68407700:21230/13:00212533 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007/978-3-642-38886-6_16" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-642-38886-6_16</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-38886-6_16" target="_blank" >10.1007/978-3-642-38886-6_16</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Bundle Methods for Structured Output Learning - Back to the Roots

Popis výsledku v původním jazyce

Discriminative methods for learning structured output classifiers have been gaining popularity in recent years due to their successful applications in fields like computer vision, natural language processing, etc. Learning of the structured output classifiers leads to solving a convex minimization problem, still hard to solve by standard algorithms in real-life settings. A significant effort has been put to development of specialized solvers among which the Bundle Method for Risk Minimization (BMRM) [1]is one of the most successful. The BMRM is a simplified variant of bundle methods well known in the filed of non-smooth optimization. In this paper, we propose two speed-up improvements of the BMRM: i) using the adaptive prox-term known from the original bundle methods, ii) starting optimization from a non-trivial initial solution. We combine both improvements with the multiple cutting plane model approximation [2]. Experiments on real-life data show consistently faster convergence achi

Název v anglickém jazyce

Bundle Methods for Structured Output Learning - Back to the Roots

Popis výsledku anglicky

Discriminative methods for learning structured output classifiers have been gaining popularity in recent years due to their successful applications in fields like computer vision, natural language processing, etc. Learning of the structured output classifiers leads to solving a convex minimization problem, still hard to solve by standard algorithms in real-life settings. A significant effort has been put to development of specialized solvers among which the Bundle Method for Risk Minimization (BMRM) [1]is one of the most successful. The BMRM is a simplified variant of bundle methods well known in the filed of non-smooth optimization. In this paper, we propose two speed-up improvements of the BMRM: i) using the adaptive prox-term known from the original bundle methods, ii) starting optimization from a non-trivial initial solution. We combine both improvements with the multiple cutting plane model approximation [2]. Experiments on real-life data show consistently faster convergence achi

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

SCIA 2013: Proceedings of the 18th Scandinavian Conference on Image Analysis

ISBN

978-3-642-38885-9

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

10

Strana od-do

162-171

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Espoo

Datum konání akce

17. 6. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—