論文の概要: Multi-label Stream Classification with Self-Organizing Maps
- arxiv url: http://arxiv.org/abs/2004.09397v1
- Date: Mon, 20 Apr 2020 15:52:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 17:54:10.827011
- Title: Multi-label Stream Classification with Self-Organizing Maps
- Title（参考訳）: 自己組織化マップを用いたマルチラベルストリーム分類
- Authors: Ricardo Cerri, Joel David Costa J\'unior, Elaine Ribeiro de Faria
Paiva and Jo\~ao Manuel Portela da Gama
- Abstract要約: ラベルを無限に遅延させたマルチラベルストリーム分類のための自己組織化マップに基づくオンラインインクリメンタル手法を提案する。
分類段階では、k-アネレス近傍の戦略を用いて、地図の勝利したニューロンを計算する。
我々は,各インスタンスのラベルをベイズ則と各ニューロンの出力を用いて予測し,ストリーム内のクラスの確率と条件付き確率に適応する。
- 参考スコア（独自算出の注目度）: 2.055054374525828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several learning algorithms have been proposed for offline multi-label
classification. However, applications in areas such as traffic monitoring,
social networks, and sensors produce data continuously, the so called data
streams, posing challenges to batch multi-label learning. With the lack of
stationarity in the distribution of data streams, new algorithms are needed to
online adapt to such changes (concept drift). Also, in realistic applications,
changes occur in scenarios of infinitely delayed labels, where the true classes
of the arrival instances are never available. We propose an online unsupervised
incremental method based on self-organizing maps for multi-label stream
classification with infinitely delayed labels. In the classification phase, we
use a k-nearest neighbors strategy to compute the winning neurons in the maps,
adapting to concept drift by online adjusting neuron weight vectors and dataset
label cardinality. We predict labels for each instance using the Bayes rule and
the outputs of each neuron, adapting the probabilities and conditional
probabilities of the classes in the stream. Experiments using synthetic and
real datasets show that our method is highly competitive with several ones from
the literature, in both stationary and concept drift scenarios.
- Abstract（参考訳）: オフラインマルチラベル分類のための学習アルゴリズムがいくつか提案されている。
しかし、トラフィック監視、ソーシャルネットワーク、センサーといった分野のアプリケーションは、データストリームと呼ばれるデータを連続的に生成し、マルチラベル学習のバッチ化に挑戦する。
データストリームの分布に定常性が欠如しているため、このような変化(コンセプトドリフト)にオンライン適応するためには、新しいアルゴリズムが必要である。
また、現実的なアプリケーションでは、到着インスタンスの真のクラスが利用できない無限に遅延したラベルのシナリオで変更が発生する。
無限遅延ラベルを用いたマルチラベルストリーム分類のための自己組織化マップに基づくオンライン教師なしインクリメンタル手法を提案する。
分類段階では、k-nearest neighbors戦略を用いて、地図内の入賞ニューロンを計算し、オンラインのニューロン重みベクトルとデータセットラベルの濃度を調整することで概念のドリフトに適応する。
我々は,各インスタンスのラベルをベイズ則と各ニューロンの出力を用いて予測し,ストリーム内のクラスの確率と条件付き確率に適応する。
合成および実データを用いた実験により,本手法は定常およびコンセプトドリフトのシナリオにおいて,文献上のいくつかの手法と高い競合性を示す。
関連論文リスト
- Hoeffding adaptive trees for multi-label classification on data streams [4.3998370660429655]
MLHAT(Multi-Label Hoeffding Adaptive Tree)
本稿では,MLHAT(Multi-Label Hoeffding Adaptive Tree)と呼ばれるマルチラベルデータストリーム分類手法を提案する。
論文 参考訳（メタデータ） (2024-10-26T18:10:22Z) - Continuous Contrastive Learning for Long-Tailed Semi-Supervised Recognition [50.61991746981703]
現在の最先端のLTSSLアプローチは、大規模な未ラベルデータに対して高品質な擬似ラベルに依存している。
本稿では,長期学習における様々な提案を統一する新しい確率的枠組みを提案する。
我々は、信頼度とスムーズな擬似ラベルを用いて、我々のフレームワークをラベルなしデータに拡張する、連続的コントラスト学習手法であるCCLを導入する。
論文 参考訳（メタデータ） (2024-10-08T15:06:10Z) - Online Label Shift: Optimal Dynamic Regret meets Practical Algorithms [33.61487362513345]
本稿では、教師付きおよび教師なしのオンラインラベルシフトに焦点を当て、クラス境界の$Q(y)$は異なるが、クラス条件の$Q(x|y)$は不変である。
教師なしの環境では、オフラインラベル付きデータに基づいてトレーニングされた学習者を、ラベルなしのオンラインデータに対してラベル分布を変更するように適応させることが目的です。
我々は,オンライン回帰への適応問題を低減し,ラベル分布のドリフトの程度を事前に知ることなく,最適な動的後悔を保証する新しいアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-05-31T05:39:52Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T12:52:18Z) - Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。
合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文 参考訳（メタデータ） (2022-02-04T15:46:27Z) - Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
本研究では, 適応ラベル平滑化法 (ALS) を提案する。
ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
論文 参考訳（メタデータ） (2021-08-30T23:51:31Z) - PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。
本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。
本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
論文 参考訳（メタデータ） (2021-05-22T18:07:56Z) - PAL : Pretext-based Active Learning [2.869739951301252]
提案手法は,従来の提案手法よりも,誤ラベルに頑健な深層ニューラルネットワークの能動的学習手法を提案する。
ラベルのないサンプルを選別するために、別ネットワークを使用します。
その結果,ラベルノイズの欠如による競合精度も向上した。
論文 参考訳（メタデータ） (2020-10-29T21:16:37Z) - Semi-supervised sequence classification through change point detection [22.14406516031776]
このような文脈における半教師付き学習のための新しいフレームワークを提案する。
教師なしの方法で、変更点検出法は、可能性のあるクラス変更に対応するシーケンス内の点を特定するために使用できる。
変化点が類似/異種配列の例を示し、ラベル付けされた場合、半教師付き分類設定で使用できることを示す。
論文 参考訳（メタデータ） (2020-09-24T17:23:13Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z)
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。