李宏毅機器學習2016 第十九講 結構化學習簡介

視頻鏈接：李宏毅機器學習(2016)_演講?公開課_科技_bilibili_嗶哩嗶哩

課程資源：Hung-yi Lee

課程相關PPT已經打包命名好了：鏈接：https://pan.baidu.com/s/1c3Jyh6S 密碼：77u5

我的第十八講筆記：李宏毅機器學習2016 第十八講 支持向量機

Introduction of Structured Learning

本章主要介紹了結構化學習的原理及應用。

1.結構化學習（Structured Learning）

在之前的學習中，輸入和輸出都是向量。然而在現實生活中，我們需要解決的問題並不都是此類問題。因此我們需要一個更加強大的函數。

其輸入輸出都是對象，而對象可能是序列、列表、樹或者是邊界盒等等。

舉例來說，對於語音識別，其輸入輸出都是序列。

2.通用框架（Unified Framework）

設計一種解決此類問題的通用框架。

在訓練階段找到一個函數F能夠評估出對象x和y有多匹配，越匹配其函數輸出R越大；在測試階段就可以遍歷所有的y找到能夠使得F最大的y，其輸出就是x的輸出結果。

目標檢測（Object Detection）

此時X就是圖像，Y就是定位的邊界盒。

在訓練階段，定位出目越正確函數的輸出值就越大。

在測試階段，就可以遍歷所有可能的邊界盒，找到能夠使輸出值最大的y，就是輸出結果。

當然結構化學習的通用框架也可以應用在文檔總結（Document Summarization）、圖像搜索（Image Retrieval）等問題。

通用框架的另一種解釋（統計學）。

在這種解釋中，可以將F（x,y）解釋為x和y一起出現的概率。關於概率方法的缺點是概率不能解釋所有的事物（Probability cannot explain everything），而且概率值得0-1限制是不必要的(0-1 constraint is not necessary)；優點是有意義的（meaningful）。

3.通用框架的三個問題

通用框架主要有三個問題，解決了這三個問題，就能很好的解決結構化學習的問題。

問題1是怎麼用F(X,Y)來計算X和Y之間的匹配性呢？

問題2是說應該用什麼方法來解決這個最大化問題呢？

問題3說的是在給定訓練數據德情況下，怎樣找F(x,y)？

4.總結

本章簡要介紹了結構化學習（Structured Learning），解決問題的通用框架（Unified Framework）以及通用框架的三個問題（Three Problems of Unified Framework）。