Consistent and Tractable Algorithm for Markov Network Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F23%3A00365903" target="_blank" >RIV/68407700:21230/23:00365903 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-3-031-26412-2_27" target="_blank" >https://doi.org/10.1007/978-3-031-26412-2_27</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-26412-2_27" target="_blank" >10.1007/978-3-031-26412-2_27</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Consistent and Tractable Algorithm for Markov Network Learning

Popis výsledku v původním jazyce

Markov network (MN) structured output classifiers provide a transparent and powerful way to model dependencies between output labels. The MN classifiers can be learned using the M3N algorithm, which, however, is not statistically consistent and requires expensive fully annotated examples. We propose an algorithm to learn MN classifiers that is based on Fisher-consistent adversarial loss minimization. Learning is transformed into a tractable convex optimization that is amenable to standard gradient methods. We also extend the algorithm to learn from examples with missing labels. We show that the extended algorithm remains convex, tractable, and statistically consistent.

Název v anglickém jazyce

Consistent and Tractable Algorithm for Markov Network Learning

Popis výsledku anglicky

Markov network (MN) structured output classifiers provide a transparent and powerful way to model dependencies between output labels. The MN classifiers can be learned using the M3N algorithm, which, however, is not statistically consistent and requires expensive fully annotated examples. We propose an algorithm to learn MN classifiers that is based on Fisher-consistent adversarial loss minimization. Learning is transformed into a tractable convex optimization that is amenable to standard gradient methods. We also extend the algorithm to learn from examples with missing labels. We show that the extended algorithm remains convex, tractable, and statistically consistent.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

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

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

Machine Learning and Knowledge Discovery in Databases, Part IV

ISBN

978-3-031-26411-5

ISSN

0302-9743

e-ISSN

1611-3349

Počet stran výsledku

17

Strana od-do

435-451

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Grenoble

Datum konání akce

19. 9. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000999043700027