Fugu-MT 論文翻訳(概要): Adversarial Multi-Binary Neural Network for Multi-class Classification

論文の概要: Adversarial Multi-Binary Neural Network for Multi-class Classification

arxiv url: http://arxiv.org/abs/2003.11184v1
Date: Wed, 25 Mar 2020 02:19:17 GMT
ステータス: 処理完了
システム内更新日: 2022-12-20 02:38:12.496215
Title: Adversarial Multi-Binary Neural Network for Multi-class Classification
Title（参考訳）: 多クラス分類のためのadversarial multi-binary neural network
Authors: Haiyang Xu, Junwen Chen, Kun Han, Xiangang Li
Abstract要約: マルチタスクフレームワークを使用して、マルチクラス分類に対処する。我々は,クラス固有の特徴とクラスに依存しない特徴を識別するために,対人訓練を実践する。
参考スコア（独自算出の注目度）: 19.298875915675502
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-class text classification is one of the key problems in machine learning and natural language processing. Emerging neural networks deal with the problem using a multi-output softmax layer and achieve substantial progress, but they do not explicitly learn the correlation among classes. In this paper, we use a multi-task framework to address multi-class classification, where a multi-class classifier and multiple binary classifiers are trained together. Moreover, we employ adversarial training to distinguish the class-specific features and the class-agnostic features. The model benefits from better feature representation. We conduct experiments on two large-scale multi-class text classification tasks and demonstrate that the proposed architecture outperforms baseline approaches.
Abstract（参考訳）: マルチクラステキスト分類は、機械学習と自然言語処理における重要な問題の1つである。新興ニューラルネットワークは、マルチ出力ソフトマックス層を用いてこの問題に対処し、実質的な進歩を達成するが、クラス間の相関を明示的に学ばない。本稿では,マルチクラス分類器と複数のバイナリ分類器を組み合わせることで,マルチクラス分類に対応するマルチタスクフレームワークを提案する。さらに,クラス固有の特徴とクラス非依存の特徴を区別するために,敵対的訓練を用いる。このモデルは優れた特徴表現の恩恵を受ける。本稿では,2つの大規模テキスト分類タスクについて実験を行い,提案手法がベースラインアプローチより優れていることを示す。

関連論文リスト

The Multiplex Classification Framework: optimizing multi-label classifiers through problem transformation, ontology engineering, and model ensembling [0.0]
本稿では,多重化分類フレームワークについて紹介する。このフレームワークには,任意のクラスへの適応性や論理的制約など,いくつかのメリットがある。従来の分類モデルとMultiformxアプローチを比較した2つの実験を行った。
論文参考訳（メタデータ） (2024-12-18T20:07:27Z)
Class Binarization to NeuroEvolution for Multiclass Classification [9.179400849826216]
マルチクラス分類は、機械学習における基本的で挑戦的なタスクである。多クラス分類をバイナリ分類の集合に分解することは、クラスバイナライゼーション(class binarization)と呼ばれる。マルチクラス分類のための神経進化のクラスバイナライズ戦略を設計するために,誤り訂正出力符号(ECOC)を適用した新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-26T13:26:13Z)
Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文参考訳（メタデータ） (2023-06-20T03:00:22Z)
A Multi-Class SWAP-Test Classifier [0.0]
この研究は、そのバイナリ前駆体と最近の研究におけるラベル状態の使用に触発された最初のマルチクラスSWAP-Test分類器を示す。従来の研究とは対照的に、必要な量子ビット数、測定戦略、使用する回路の位相はクラス数に不変である。解析結果と数値シミュレーションの両方で、この分類器は多様な分類問題に適用されるだけでなく、特定の雑音に対して堅牢であることが示された。
論文参考訳（メタデータ） (2023-02-06T18:31:43Z)
Generalization for multiclass classification with overparameterized linear models [3.3434274586532515]
クラスが多すぎる限り、多クラス分類は二分分類のように振る舞うことが示される。様々な技術的課題に加えて、二項分類設定との大きな違いは、クラス数が増加するにつれて、各クラスの正のトレーニング例がマルチクラス設定で比較的少ないことである。
論文参考訳（メタデータ） (2022-06-03T05:52:43Z)
Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
論文参考訳（メタデータ） (2022-04-08T00:55:15Z)
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)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
Metrics for Multi-Class Classification: an Overview [0.9176056742068814]
2つ以上のクラスを含む分類タスクを「マルチクラス分類」と呼ぶパフォーマンス指標は、異なる分類モデルや機械学習技術を評価し比較する目的において非常に有用である。
論文参考訳（メタデータ） (2020-08-13T08:41:44Z)
Many-Class Few-Shot Learning on Multi-Granularity Class Hierarchy [57.68486382473194]
我々は,教師付き学習とメタ学習の両方において,MCFS(Multi-class few-shot)問題について検討した。本稿では,クラス階層を事前知識として活用し,粗大な分類器を訓練する。モデル「メモリ拡張階層分類ネットワーク(MahiNet)」は、各粗いクラスが複数の細かなクラスをカバーできる粗い粒度分類を行う。
論文参考訳（メタデータ） (2020-06-28T01:11:34Z)
Learning Class Regularized Features for Action Recognition [68.90994813947405]
本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
論文参考訳（メタデータ） (2020-02-07T07:27:49Z)

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。