Support-Vektor-Maschinen-Lernen für interdependente und strukturierte Ausgabebereiche

Das Erlernen allgemeiner funktionaler Abhängigkeiten ist eines der Hauptziele im maschinellen Lernen. Jüngste Fortschritte bei kernelbasierten Methoden konzentrierten sich auf die Entwicklung flexibler und leistungsfähiger Eingaberepräsentationen. Dieses Papier behandelt das ergänzende Problem von Aufgaben mit komplexen Ausgaben, wie mehrfach abhängigen Ausgabewerten und strukturierten Ausgabebereichen. Wir schlagen vor, das multiklassige Support-Vektor-Maschinen-Lernen in einer Formulierung zu verallgemeinern, die Merkmale umfasst, die gemeinsam aus Eingaben und Ausgaben extrahiert werden. Das resultierende Optimierungsproblem wird effizient durch einen Schneidebenen-Algorithmus gelöst, der die Sparsamkeit und strukturelle Zerlegung des Problems nutzt. Wir demonstrieren die Vielseitigkeit und Effektivität unserer Methode an Problemen, die von überwachtem Grammatiklernen und benannter Entitätserkennung bis hin zu taxonomischer Textklassifikation und Sequenzalignment reichen.