論文の概要: A Robust Experimental Evaluation of Automated Multi-Label Classification Methods

• arxiv url: http://arxiv.org/abs/2005.08083v2
• Date: Fri, 31 Jul 2020 16:48:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 12:41:17.508242
• Title: A Robust Experimental Evaluation of Automated Multi-Label Classification Methods
• Title（参考訳）: 自動マルチラベル分類法のロバストな実験評価
• Authors: Alex G. C. de S\'a, Cristiano G. Pimenta, Gisele L. Pappa and Alex A. Freitas
• Abstract要約: 本稿では,マルチラベル分類(MLC)問題に対するAutoMLにアプローチする。 MLCでは、それぞれの例を複数のクラスラベルに同時に関連付けることができる。 全体として、最も顕著な方法は、標準文法に基づく遺伝的プログラミング(GGP)探索法に基づくものである。
• 参考スコア（独自算出の注目度）: 0.735996217853436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Machine Learning (AutoML) has emerged to deal with the selection and configuration of algorithms for a given learning task. With the progression of AutoML, several effective methods were introduced, especially for traditional classification and regression problems. Apart from the AutoML success, several issues remain open. One issue, in particular, is the lack of ability of AutoML methods to deal with different types of data. Based on this scenario, this paper approaches AutoML for multi-label classification (MLC) problems. In MLC, each example can be simultaneously associated to several class labels, unlike the standard classification task, where an example is associated to just one class label. In this work, we provide a general comparison of five automated multi-label classification methods -- two evolutionary methods, one Bayesian optimization method, one random search and one greedy search -- on 14 datasets and three designed search spaces. Overall, we observe that the most prominent method is the one based on a canonical grammar-based genetic programming (GGP) search method, namely Auto-MEKA$_{GGP}$. Auto-MEKA$_{GGP}$ presented the best average results in our comparison and was statistically better than all the other methods in different search spaces and evaluated measures, except when compared to the greedy search method.
• Abstract（参考訳）: 機械学習(AutoML)は、与えられた学習タスクに対するアルゴリズムの選択と設定を扱うために登場した。 AutoMLの進歩に伴い、特に従来の分類や回帰問題に対していくつかの効果的な手法が導入された。 AutoMLの成功とは別に、いくつかの問題が未解決のままである。 特に問題の一つは、さまざまなタイプのデータを扱うautomlメソッドが欠如していることだ。 このシナリオに基づいて,マルチラベル分類(MLC)問題に対するAutoMLにアプローチする。 mlcでは、それぞれの例が複数のクラスラベルに同時に関連付けられるが、標準的な分類タスクとは異なり、例は1つのクラスラベルに関連付けられる。 本研究では,14のデータセットと3つの設計された検索空間に対して,2つの進化的手法,1つのベイズ最適化法,1つのランダム探索法,1つのグリージー探索法と5つの自動多ラベル分類法の比較を行った。 全体として、最も顕著な方法は、標準文法に基づく遺伝的プログラミング(GGP)探索法、すなわちAuto-MEKA$_{GGP}$に基づくものである。 Auto-MEKA$_{GGP}$は, 比較において最高の平均値を示し, グリーディ探索法と比較した場合を除き, 異なる探索空間における他の手法よりも統計的に優れていた。

関連論文リスト

• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Navigation [76.67608003501479]
  主評価指標の基礎に基づいて計算された領域関連メトリクスの範囲を定義する評価プロトコルを導入・指定する。 このような比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含むものである。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• Automated Machine Learning for Multi-Label Classification [3.2634122554914002]
  2つのアルゴリズムからなるシングルラベル分類タスクに対して,新しいAutoMLアプローチを考案する。 マルチラベル分類におけるAutoMLの課題複雑性を増大させるとともに,シングルラベル分類タスクにおける技術状態を形成するAutoMLアプローチがいかにスケールするかを検討する。
  論文  参考訳（メタデータ） (2024-02-28T09:40:36Z)
• Boosting Prompt-Based Self-Training With Mapping-Free Automatic Verbalizer for Multi-Class Classification [3.647905567437244]
  マッピング不要な自動言語モデリングツール (MAV) という,新しい効率的な動詞体系を導入する。 MAVは、予測から利用可能な全ての情報に乗じて、分類に必要な単語の特徴を自動的に抽出する訓練可能な発声器として機能する。 5つの多クラス分類データセットの実験結果は、MAVの優れた自己学習効果を示している。
  論文  参考訳（メタデータ） (2023-12-08T11:43:00Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• Multi-Instance Partial-Label Learning: Towards Exploiting Dual Inexact Supervision [53.530957567507365]
  実世界のタスクでは、各トレーニングサンプルは、1つの基底真実ラベルといくつかの偽陽性ラベルを含む候補ラベルセットに関連付けられている。 本稿では,Multi-instance partial-label learning (MIPL) などの問題を定式化する。 既存のマルチインスタンス学習アルゴリズムと部分ラベル学習アルゴリズムはMIPL問題の解法に最適である。
  論文  参考訳（メタデータ） (2022-12-18T03:28:51Z)
• Benchmarking AutoML algorithms on a collection of binary problems [3.3793659640122717]
  本稿では,Tree-based Pipeline Optimization Tool (TPOT), Auto-Sklearn, Auto-Sklearn 2, H2O AutoMLの4種類のAutoMLアルゴリズムの性能を比較した。 私たちはAutoMLがすべての含まれたデータセットでうまく機能するパイプラインを識別できることを確認します。
  論文  参考訳（メタデータ） (2022-12-06T01:53:50Z)
• How to Train Your MAML to Excel in Few-Shot Classification [26.51244463209443]
  そこで本研究では,MAMLの訓練方法について紹介する。 我々のアプローチはUNICORN-MAMLと呼ばれ、最先端のアルゴリズムに匹敵する、あるいは性能に優れる。
  論文  参考訳（メタデータ） (2021-06-30T17:56:15Z)
• An Extensive Experimental Evaluation of Automated Machine Learning Methods for Recommending Classification Algorithms (Extended Version) [4.400989370979334]
  これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。 我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。 一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
  論文  参考訳（メタデータ） (2020-09-16T02:36:43Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)
• AutoGluon-Tabular: Robust and Accurate AutoML for Structured Data [120.2298620652828]
  オープンソースのAutoMLフレームワークであるAutoGluon-Tabularを紹介します。 KaggleとOpenML AutoML Benchmarkの50の分類および回帰タスクからなるスイートのテストによると、AutoGluonはより速く、より堅牢で、はるかに正確である。
  論文  参考訳（メタデータ） (2020-03-13T23:10:39Z)

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。