本文综述了过去20年AUC最大化的研究,涵盖公式、算法与理论保证,并探讨了深度学习AUC最大化的新兴问题。相关研究提出了替代损失函数、AUC-opt线性分类器、模型无关的AUCROSS方法、带误分类约束的SVM、半监督PU-AUC优化、随机近端算法及高效回归算法等,以提升AUC优化的效率与泛化性能。
本文研究了基于替代损失函数的学习方法的渐近一致性,证明了指数损失和逻辑损失与AUC一致,但铰链损失不一致。同时,推导了一些与AUC一致的损失函数,并发现AdaBoost和RankBoost具有相同的指数代理损失。
完成下面两步后,将自动完成登录并继续当前操作。