面向大规模不平衡数据集的集成小批量AUC优化方法（EMBA）

《IEEE Transactions on Cybernetics》：Optimization of Area Under ROC Curve (AUC) via Ensemble Mini-Batch Approach

　　

摘要：

优化受试者工作特征曲线（ROC）下的面积（AUC）在现代信号处理和机器学习应用中日益受到关注，这是由于近期大规模且高度偏斜数据集的激增。现有的可扩展方法利用的是建模能力有限的线性模型、计算成本高的核方法，或者对于当前问题可能不足的神经网络模型。在本通信中，我们将名为 MBA 的小批量 AUC 优化（MBA）算法扩展到非线性设置，并提出了一种名为集成 MBA（EMBA）的新方法。在这种方法中，我们利用 MBA 学习随机神经网络作为基础排序器，每一个都涉及一个凸优化问题。然后，我们通过约束逻辑回归以遵循原则的方式组合这些基础排序器，以学习一个集成排序器/分类器。新方法的性能优势在真实世界数据集上得到了展示。