分类目录归档:机器学习

多输出学习综述(机翻为主

多输出学习的目的是在给定输入的情况下同时预测多个输出。 因为在现实世界中进行决策通常涉及多个复杂因素和标准,所以它是决策中一个重要的学习问题。 近年来,越来越多的研究集中在一次预测多个输出的方法上。根据所研究的特定的多输出学习问题,这种努力以不同的形式发生。 多输出学习的经典案例包括多标签学习,多维学习,多目标回归等。 从我们对该主题的调查中,我们感到惊讶的是,缺乏将多输出学习的不同形式归纳为一个通用框架的研究。 本文通过对多输出学习范式的全面回顾和分析来填补这一空白。 特别是,我们通过从大数据中汲取灵感来表征多输出学习的四个Vs,即体积,速度,多样性和准确性 volume, velocity, variety, and veracity,,以及这四个Vs既受益又给多输出学习带来挑战的方式。 在输出标签的生命周期中,介绍了多输出学习的主要数学定义,并研究了该领域的主要挑战和文献中发现的相应解决方案。 还讨论了几种模型评估指标和流行的数据库。 最后但并非最不重要的一点是,我们从四个V的角度突出了多输出学习的一些新出现的挑战,这是值得进一步研究的潜在研究方向