論文の概要: Classifier Chains: A Review and Perspectives

• arxiv url: http://arxiv.org/abs/1912.13405v2
• Date: Wed, 15 Apr 2020 11:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-10 07:51:06.416491
• Title: Classifier Chains: A Review and Perspectives
• Title（参考訳）: 分類器チェーン:レビューと展望
• Authors: Jesse Read, Bernhard Pfahringer, Geoff Holmes, Eibe Frank
• Abstract要約: 分類器連鎖と呼ばれる手法の系統は、多ラベル学習問題に対する一般的なアプローチとなっている。 この研究は、文献で提供される技術と拡張のレビューと、将来マルチラベル分類の分野におけるこのアプローチの展望を提供する。
• 参考スコア（独自算出の注目度）: 3.752624871808558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The family of methods collectively known as classifier chains has become a popular approach to multi-label learning problems. This approach involves linking together off-the-shelf binary classifiers in a chain structure, such that class label predictions become features for other classifiers. Such methods have proved flexible and effective and have obtained state-of-the-art empirical performance across many datasets and multi-label evaluation metrics. This performance led to further studies of how exactly it works, and how it could be improved, and in the recent decade numerous studies have explored classifier chains mechanisms on a theoretical level, and many improvements have been made to the training and inference procedures, such that this method remains among the state-of-the-art options for multi-label learning. Given this past and ongoing interest, which covers a broad range of applications and research themes, the goal of this work is to provide a review of classifier chains, a survey of the techniques and extensions provided in the literature, as well as perspectives for this approach in the domain of multi-label classification in the future. We conclude positively, with a number of recommendations for researchers and practitioners, as well as outlining a number of areas for future research.
• Abstract（参考訳）: 分類器チェーンと呼ばれる手法群は、多ラベル学習問題に対する一般的なアプローチとなっている。 このアプローチでは、クラスラベルの予測が他の分類器の機能になるように、チェーン構造内の既成のバイナリ分類器をリンクする。 このような手法は柔軟かつ効果的であることが証明され、多くのデータセットとマルチラベル評価メトリクスで最先端の経験的パフォーマンスが得られた。 この性能は、それがどのように機能するか、どのように改善されるのかをさらに研究し、近年10年間に多くの研究が理論レベルで分類器連鎖のメカニズムを探求し、この方法がマルチラボラーニングの最先端の選択肢として残るように、トレーニングと推論手順に多くの改良が加えられている。 幅広い応用と研究テーマをカバーするこの過去と現在進行中の関心を踏まえると、本研究の目的は、分類器チェーンのレビュー、文献で提供される技術と拡張のサーベイ、そしてこのアプローチの今後のマルチラベル分類の領域における展望を提供することである。 我々は,多くの研究者や実践者への推薦とともに,今後の研究分野について概説した。

関連論文リスト

• Estimating class separability of text embeddings with persistent homology [1.9956517534421363]
  本稿では、トポロジ的観点からテキストデータセットのクラス分離性を推定する教師なし手法を提案する。 本手法を応用して, 組込みの分離性向上を図り, トレーニングプロセスが停止した場合の検知方法について述べる。 その結果,本手法のクラス分離性の推定値と教師付き手法のクラス分離性の推定値が一致していることが示唆された。
  論文  参考訳（メタデータ） (2023-05-24T10:58:09Z)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• An Evolutionary Approach for Creating of Diverse Classifier Ensembles [11.540822622379176]
  CIF-Eと呼ばれる4段階のプロトコルに基づく分類器の選択と融合のためのフレームワークを提案する。 我々は,提案したCIF-Eプロトコルに従って,24種類のアンサンブルアプローチを実装し,評価した。 実験により、提案された進化的アプローチは、多くのよく知られたUCIデータセットにおいて最先端の文献的アプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-23T14:23:27Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• 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)
• Self-Training: A Survey [5.772546394254112]
  半教師付きアルゴリズムは、ラベル付き観測の小さなセットとラベルなし観測の大きなセットから予測関数を学習することを目的としている。 近年,自己学習手法が注目されていることは確かである。 本稿では,バイナリクラスとマルチクラス分類のための自己学習手法と,その変種と関連する2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2022-02-24T11:40:44Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• One-Class Classification: A Survey [96.17410674315816]
  One-Class Classification (OCC) は、トレーニング中に観測されたデータが単一の正のクラスからのものであるマルチクラス分類の特別なケースである。 視覚認識のための古典的統計的および最近の深層学習に基づくOCC手法のサーベイを提供する。
  論文  参考訳（メタデータ） (2021-01-08T15:30:29Z)
• Neural Networks as Functional Classifiers [0.0]
  我々は、分類問題のために、注目すべき深層学習手法を機能データ領域に拡張する。 本手法の有効性を,分光データの分類などの多くの分類応用において強調する。
  論文  参考訳（メタデータ） (2020-10-09T00:11:01Z)

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。