关于多标签排序的可学习性
On the Learnability of Multilabel Ranking
AI总结：
本文刻画了多标签排序在批处理和在线设置下针对一大类排序损失的可学习性，并基于可学习性给出两类涵盖实践中大多数损失的排序损失等价类。
摘要：
多标签排序是机器学习中的一项核心任务。然而，在具有相关度分数反馈的多标签排序设置中，最根本的可学习性问题仍未得到解答。本文刻画了在批处理和在线两种设置下，针对一大类排序损失的多标签排序问题的可学习性。在此过程中，我们基于可学习性给出了两类排序损失的等价类，这些等价类涵盖了实践中使用的大多数（即便不是全部）损失。
英文摘要：
Multilabel ranking is a central task in machine learning. However, the most fundamental question of learnability in a multilabel ranking setting with relevance-score feedback remains unanswered. In this work, we characterize the learnability of multilabel ranking problems in both batch and online settings for a large family of ranking losses. Along the way, we give two equivalence classes of ranking losses based on learnability that capture most, if not all, losses used in practice.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
