論文の概要: ML-KFHE: Multi-label ensemble classification algorithm exploiting sensor
fusion properties of the Kalman filter
- arxiv url: http://arxiv.org/abs/1904.10552v4
- Date: Sat, 18 Nov 2023 13:43:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 06:25:55.941232
- Title: ML-KFHE: Multi-label ensemble classification algorithm exploiting sensor
fusion properties of the Kalman filter
- Title（参考訳）: ML-KFHE:Kalmanフィルタのセンサ融合特性を利用したマルチラベルアンサンブル分類アルゴリズム
- Authors: Arjun Pakrashi, Brian Mac Namee
- Abstract要約: カルマンフィルタに基づくヒューリスティック・アンサンブル(英: Heuristic Ensemble, KFHE)は、カルマンフィルタのセンサ融合特性を利用して複数のモデルを組み合わせるアンサンブル法である。
本研究は、KFHEのマルチラベルバージョンを提案し、マルチラベルデータセットにおけるKFHEの有効性を実証する。
- 参考スコア（独自算出の注目度）: 8.493936898320671
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite the success of ensemble classification methods in multi-class
classification problems, ensemble methods based on approaches other than
bagging have not been widely explored for multi-label classification problems.
The Kalman Filter-based Heuristic Ensemble (KFHE) is an ensemble method that
exploits the sensor fusion properties of the Kalman filter to combine several
classifier models, and that has been shown to be very effective. This work
proposes a multi-label version of KFHE, ML-KFHE, demonstrating the
effectiveness of the KFHE method on multi-label datasets. Two variants are
introduced based on the underlying component classifier algorithm,
ML-KFHE-HOMER, and ML-KFHE-CC which uses HOMER and Classifier Chain (CC) as the
underlying multi-label algorithms respectively. ML-KFHE-HOMER and ML-KFHE-CC
sequentially train multiple HOMER and CC multi-label classifiers and aggregate
their outputs using the sensor fusion properties of the Kalman filter.
Extensive experiments and detailed analysis were performed on thirteen
multi-label datasets and eight other algorithms, which included
state-of-the-art ensemble methods. The results show, for both versions, the
ML-KFHE framework improves the predictive performance significantly with
respect to bagged combinations of HOMER (named E-HOMER), also introduced in
this paper, and bagged combination of CC, Ensemble Classifier Chains (ECC),
thus demonstrating the effectiveness of ML-KFHE. Also, the ML-KFHE-HOMER
variant was found to perform consistently and significantly better than the
compared multi-label methods including existing approaches based on ensembles.
- Abstract（参考訳）: マルチクラス分類問題におけるアンサンブル分類法の成功にもかかわらず、バグング以外のアプローチに基づくアンサンブル法は、マルチラベル分類問題に対して広く研究されていない。
カルマンフィルタに基づくヒューリスティックアンサンブル(kfhe)は、カルマンフィルタのセンサー融合特性を利用して複数の分類器モデルを組み合わせており、非常に効果的であることが示されている。
本研究は,KFHEのマルチラベルバージョンであるML-KFHEを提案し,KFHE法がマルチラベルデータセットに与える影響を実証する。
基礎となるコンポーネント分類アルゴリズムであるML-KFHE-HOMERと,HOMERとCCを用いたML-KFHE-CCの2つのバリエーションを導入している。
ML-KFHE-HOMERとML-KFHE-CCは、複数のHOMERおよびCCマルチラベル分類器を順次訓練し、カルマンフィルタのセンサ融合特性を用いて出力を集約する。
13のマルチラベルデータセットと8つのアルゴリズムに対して、大規模な実験と詳細な分析を行った。
これらの結果から, ml-kfheフレームワークは, 本論文で紹介されたホメーラ (e-homer) の袋詰め組み合わせと, cc, アンサンブル分類チェイン (ecc) の袋詰め組み合わせにより, ml-kfheの有効性を実証し, 予測性能を大幅に向上させた。
また、ML-KFHE-HOMERの変種は、アンサンブルに基づく既存のアプローチを含む比較されたマルチラベル法よりも一貫して、はるかに優れた性能を示した。
関連論文リスト
- Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。
半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。
本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文 参考訳（メタデータ） (2024-07-26T09:33:53Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Multi-Label Takagi-Sugeno-Kang Fuzzy System [22.759310690164227]
ML-TSK FS (Multi-Label Takagi-Sugeno-Kang Fuzzy System) と呼ばれる新しいマルチラベル分類法を提案する。
ML-TSK FSの構造はファジィルールを用いて設計され、特徴とラベルの関係をモデル化する。
提案するML-TSK FSは、12のベンチマークマルチラベルデータセットで実験的に評価される。
論文 参考訳（メタデータ） (2023-09-20T17:09:09Z) - Leveraging Instance Features for Label Aggregation in Programmatic Weak
Supervision [75.1860418333995]
Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。
PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。
既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
論文 参考訳（メタデータ） (2022-10-06T07:28:53Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Class-Incremental Lifelong Learning in Multi-Label Classification [3.711485819097916]
本稿では、連続したマルチラベル分類データストリームにオンラインのクラスインクリメンタル分類器を構築する、Lifelong Multi-Label (LML)分類について検討する。
そこで本研究では,AGCN (Augmented Graph Convolutional Network) を提案する。
論文 参考訳（メタデータ） (2022-07-16T05:14:07Z) - A Three-phase Augmented Classifiers Chain Approach Based on
Co-occurrence Analysis for Multi-Label Classification [0.0]
既存のChainsメソッドは、ラベル空間の基盤となる依存性をモデル化し、利用するのは難しい。
マルチラベル分類のための共起解析に基づく3相拡張チェイン手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T02:10:14Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - Improved Multi-label Classification with Frequent Label-set Mining and
Association [14.150518141172434]
ラベル集合から相関クラスを抽出するために, 頻繁なラベルセットマイニングの新たな手法が提案されている。
ここでは,特定のスコアとそれに対応するCP-CAルールの助けを借りて,不確実なスコアを改善することを目的とした,確実かつ不確実なスコアの概念が定義されている。
論文 参考訳（メタデータ） (2021-09-22T15:36:46Z) - Online Multi-Object Tracking and Segmentation with GMPHD Filter and
Mask-based Affinity Fusion [79.87371506464454]
本稿では,インスタンス分割結果を入力として利用するMOTS法を提案する。
提案手法は,ガウス混合確率仮説密度 (GMPHD) フィルタ,階層型データアソシエーション (HDA) モデル,マスクベース親和性融合 (MAF) モデルに基づく。
2つの人気のあるMOTSデータセットの実験では、主要なモジュールがいくつかの改善点を示している。
論文 参考訳（メタデータ） (2020-08-31T21:06:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。