【ACMMM2021】通用近似交叉验证的模型选择：监督、半监督与比对学习

General Approximate Cross Validation for Model Selection: Supervised, Semi-supervised and Pairwise Learning

作 者：朱博炜，刘勇

通讯作者：刘勇

论文概述：交叉验证（CV）是一种普遍应用于评估机器学习模型性能的工具。然而，特别是在数据量巨大的多媒体任务中，由于其需要进行多次训练，这种方法具有很高的复杂性。在本文中，我们提供了一个统一的框架来近似各种常见的多媒体任务的CV误差，可以广泛应用在有监督、半监督和成对学习任务中，且只需要训练一次。此外，我们研究了所提出的近似CV的理论性能，并给出了一个显式的有限样本误差界。在多个数据集上的实验结果表明，我们的近似CV与原始CV没有统计上的差异，但可以显著提高模型选择的效率，这在模型选择上有很大的优势。