Boosting and Online Learning Techniques for Ranking Problems and Their Applications

排名问题的提升和在线学习技术及其应用

• 批准号: 23700178
• 负责人: HATANO Kohei
• 金额: $ 2.83万
• 依托单位: Kyushu University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2011
• 资助国家: 日本
• 起止时间: 2011 至 2012
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-23700178/
• 关键词: ランキング; オンライン予測; ブースティング; 劣モジュラ関数; 離散構造機械学習; 計算学習理論; 機械学習; 順列; スケジューリング; 離散最適化; ランキング学習; ソフトマージン最適化; 推薦

Ranking is the problem to predict orderings or permutations over data, and it appears in many application tasks such as information retrieval, recommendation, risk analysis, bioinformatics, natural language processing, and so on. In this project, we developed efficient ranking prediction methods based on the online learning theory.Our methods predict almost as well as the best ranking in hindsight. Further, we generalize our methods to online prediction methods for some classes of combinatorial concepts.

排序是预测数据排序或排列的问题，它出现在许多应用任务中，例如信息检索、推荐、风险分析、生物信息学、自然语言处理等。在这个项目中，我们基于在线学习理论开发了高效的排名预测方法。我们的方法几乎可以预测事后最好的排名。此外，我们将我们的方法推广到某些类别的组合概念的在线预测方法。

项目成果

Online Rank Aggregation

• 发表时间: 2012-12
• 作者: Shota Yasutake;Kohei Hatano;Eiji Takimoto;M. Takeda

Online Linear Optimization over Permutations

• DOI: 10.1007/978-3-642-25591-5_55
• 发表时间: 2011
• 作者: Shota Yasutake;Kohei Hatano;S. Kijima;Eiji Takimoto;M. Takeda

Efficient AUC Maximization by Approximate Reduction of Ranking SVMs

通过近似减少排序 SVM 实现高效 AUC 最大化

• 发表时间: 2012
• 作者: 榊原徹也;綱川隆司;梶博行;藤本恭平;Daiki Suehiro
• 通讯作者: Daiki Suehiro

トップ k リストのオンライン予測

Top k榜单在线预测

• 发表时间: 2011
• 作者: H. Kikuchi;Anna Mochizuki;安武翔太
• 通讯作者: 安武翔太

モンテカルロ木探索問題に対する効率的サンプリング手法

蒙特卡罗树搜索问题的高效采样方法

• 发表时间: 2012
• 作者: 福田達也;馬場健一;寺岡和紀
• 通讯作者: 寺岡和紀