論文の概要: Evolving Multi-label Classification Rules by Exploiting High-order Label
Correlation
- arxiv url: http://arxiv.org/abs/2007.11609v1
- Date: Wed, 22 Jul 2020 18:13:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 22:10:23.953760
- Title: Evolving Multi-label Classification Rules by Exploiting High-order Label
Correlation
- Title（参考訳）: 高次ラベル相関を利用したマルチラベル分類規則の進化
- Authors: Shabnam Nazmi, Xuyang Yan, Abdollah Homaifar, Emily Doucette
- Abstract要約: マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。
ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。
本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
- 参考スコア（独自算出の注目度）: 2.9822184411723645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In multi-label classification tasks, each problem instance is associated with
multiple classes simultaneously. In such settings, the correlation between
labels contains valuable information that can be used to obtain more accurate
classification models. The correlation between labels can be exploited at
different levels such as capturing the pair-wise correlation or exploiting the
higher-order correlations. Even though the high-order approach is more capable
of modeling the correlation, it is computationally more demanding and has
scalability issues. This paper aims at exploiting the high-order label
correlation within subsets of labels using a supervised learning classifier
system (UCS). For this purpose, the label powerset (LP) strategy is employed
and a prediction aggregation within the set of the relevant labels to an unseen
instance is utilized to increase the prediction capability of the LP method in
the presence of unseen labelsets. Exact match ratio and Hamming loss measures
are considered to evaluate the rule performance and the expected fitness value
of a classifier is investigated for both metrics. Also, a computational
complexity analysis is provided for the proposed algorithm. The experimental
results of the proposed method are compared with other well-known LP-based
methods on multiple benchmark datasets and confirm the competitive performance
of this method.
- Abstract（参考訳）: マルチラベル分類タスクでは、各問題インスタンスは複数のクラスに同時に関連付けられる。
このような設定では、ラベル間の相関には、より正確な分類モデルを得るために使用できる貴重な情報が含まれている。
ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。
高次アプローチは相関関係をモデル化できるが、計算的により要求が高く、拡張性に問題がある。
本稿では,教師付き学習分類システム(ucs)を用いてラベルのサブセット内の高次ラベル相関を利用する。
この目的のために、ラベルパワーセット(LP)戦略を採用し、関連ラベルのセット内の未確認インスタンスへの予測アグリゲーションを利用して、未確認ラベルセットの存在下でのLPメソッドの予測能力を高める。
厳密な一致率とハミング損失尺度は, ルール性能を評価するために考慮され, どちらの指標においても, 分類器の適合度が期待できる。
また,提案アルゴリズムに対して計算複雑性解析を行う。
提案手法の実験結果は,複数のベンチマークデータセットにおける他のlpベース手法と比較し,本手法の競合性能を確認した。
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) - Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。
既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。
本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-09T13:26:21Z) - RankMatch: A Novel Approach to Semi-Supervised Label Distribution
Learning Leveraging Inter-label Correlations [52.549807652527306]
本稿では,SSLDL (Semi-Supervised Label Distribution Learning) の革新的なアプローチである RankMatch を紹介する。
RankMatchは、ラベルのない大量のデータとともに、少数のラベル付き例を効果的に活用する。
我々はRandMatchに縛られる理論的な一般化を確立し、広範な実験を通じて既存のSSLDL法に対する性能上の優位性を実証した。
論文 参考訳（メタデータ） (2023-12-11T12:47:29Z) - 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) - Multi-label Classification with High-rank and High-order Label
Correlations [62.39748565407201]
従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。
本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。
12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
論文 参考訳（メタデータ） (2022-07-09T05:15:31Z) - 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) - Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。
本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
論文 参考訳（メタデータ） (2022-03-29T08:01:03Z) - 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) - Enhancing Label Correlation Feedback in Multi-Label Text Classification
via Multi-Task Learning [6.1538971100140145]
ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。
本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
論文 参考訳（メタデータ） (2021-06-06T12:26:14Z) - 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)
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。