结构化学习（Structured Learning）

写作本博文只为学习与分享知识。所以如果本系列教程对你有帮助，麻烦不吝在github的项目上点个star吧！非常感谢！

本博客是针对李宏毅教授在youtube上上传的Machine Learning课程视频的学习笔记。课程链接

引入

我们之前学习到的学习模型的输入与输出一直以来都是向量（vector），但是在实际问题中，我们的输入输出可能是别的结构。

比如，我们可能会需要输入输出是序列（sequence）、列表（List）或者树（Tree）等等。

例子：

• 结构学习的统一框架

  • 训练

  1.找到一个函数F
  2.F(x,y):评估对象x和y有多么匹配

  • 推断（测试）

  给定一个对象x，尝试获得$y=argma{x}_{y\in Y}F(x,y)$

  

• 对象识别任务：学习到一个边框以标记出图像中的某个对象

  

  • 训练过程

  

  • 推断过程

  

• 总结任务：从给定的长文本中选择一系列句子，并将它们聚集成一个短的总结。

• 检索任务：给定一个词，返回相关的结果list

• 一种对统一框架的理解方式：概率

最大化x和y同时出现的几率，即样例特征和其标签同时出现的几率。

图模型也是一种结构化学习。

不过这种理解方式也有一定问题：

• 几率不能解释所有东西
• 0-1的限制没有必要

• 架构中的三个问题

• F(x,y)应该是什么样子

• 如何解“arg max”问题

• 给定训练数据，如何找到F(x,y)

只要能解决上述三个问题，就能解决结构化学习的问题。（就像集齐三张神卡，就能做法老王233）

线性模型

结构化SVM

给序列贴标签