李宏毅机器学习2016 第十九讲 结构化学习简介

视频链接：李宏毅机器学习(2016)_演讲•公开课_科技_bilibili_哔哩哔哩

课程资源：Hung-yi Lee

课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1c3Jyh6S 密码：77u5

我的第十八讲笔记：李宏毅机器学习2016 第十八讲 支持向量机

Introduction of Structured Learning

本章主要介绍了结构化学习的原理及应用。

1.结构化学习（Structured Learning）

在之前的学习中，输入和输出都是向量。然而在现实生活中，我们需要解决的问题并不都是此类问题。因此我们需要一个更加强大的函数。

其输入输出都是对象，而对象可能是序列、列表、树或者是边界盒等等。

举例来说，对于语音识别，其输入输出都是序列。

2.通用框架（Unified Framework）

设计一种解决此类问题的通用框架。

在训练阶段找到一个函数F能够评估出对象x和y有多匹配，越匹配其函数输出R越大；在测试阶段就可以遍历所有的y找到能够使得F最大的y，其输出就是x的输出结果。

目标检测（Object Detection）

此时X就是图像，Y就是定位的边界盒。

在训练阶段，定位出目越正确函数的输出值就越大。

在测试阶段，就可以遍历所有可能的边界盒，找到能够使输出值最大的y，就是输出结果。

当然结构化学习的通用框架也可以应用在文档总结（Document Summarization）、图像搜索（Image Retrieval）等问题。

通用框架的另一种解释（统计学）。

在这种解释中，可以将F（x,y）解释为x和y一起出现的概率。关于概率方法的缺点是概率不能解释所有的事物（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)；优点是有意义的（meaningful）。

3.通用框架的三个问题

通用框架主要有三个问题，解决了这三个问题，就能很好的解决结构化学习的问题。

问题1是怎么用F(X,Y)来计算X和Y之间的匹配性呢？

问题2是说应该用什么方法来解决这个最大化问题呢？

问题3说的是在给定训练数据德情况下，怎样找F(x,y)？

4.总结

本章简要介绍了结构化学习（Structured Learning），解决问题的通用框架（Unified Framework）以及通用框架的三个问题（Three Problems of Unified Framework）。