BriefGPT - AI 论文速递
·
基于 GBM 的 Bregman Proximal 约束学习算法
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了在Bregman近端算法框架下适配梯度提升机算法，并提出了具有全局最优性保证的Bregman原始-对偶方法。该算法能够与XGBoost和LightGBM无缝集成，并在约束学习任务中证明了其有效性。该框架在约束学习应用领域具有潜力。
🎯
关键要点
- 现代机器学习面临新的约束学习范式，包括 Neyman-Pearson 分类和公平性分类。
- 本文在 Bregman 近端算法框架下适配了梯度提升机算法。
- 提出了具有全局最优性保证的 Bregman 原始-对偶方法。
- 该算法能够与 XGBoost 和 LightGBM 无缝集成。
- 实验证明了算法框架的有效性。
- 框架在更广泛的约束学习应用领域具有重要潜力。
➡️
