論文の概要: Multi-Label Classification Using Link Prediction
- arxiv url: http://arxiv.org/abs/2011.05476v1
- Date: Wed, 11 Nov 2020 00:20:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:14:06.936074
- Title: Multi-Label Classification Using Link Prediction
- Title（参考訳）: リンク予測を用いたマルチラベル分類
- Authors: Seyed Amin Fadaee, Maryam Amir Haeri
- Abstract要約: リンク予測を用いた分類の略であるCULPはグラフベースの分類器である。
本研究では,この問題に対処するためにCULPアルゴリズムを拡張した。
提案する拡張は、CULPのパワーと、その直感的なデータ表現をマルチラベルドメインに伝達する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solving classification with graph methods has gained huge popularity in
recent years. This is due to the fact that the data can be intuitively modeled
with graphs to utilize high level features to aid in solving the classification
problem. CULP which is short for Classification Using Link Prediction is a
graph-based classifier. This classifier utilizes the graph representation of
the data and transforms the problem to that of link prediction where we try to
find the link between an unlabeled node and the proper class node for it. CULP
proved to be highly accurate classifier and it has the power to predict the
labels in near constant time. A variant of the classification problem is
multi-label classification which tackles this problem for multi-label data
where an instance can have multiple labels associated to it. In this work, we
extend the CULP algorithm to address this problem. Our proposed extensions
conveys the powers of CULP and its intuitive representation of the data in to
the multi-label domain and in comparison to some of the cutting edge
multi-label classifiers, yield competitive results.
- Abstract（参考訳）: 近年,グラフ法による分類法が盛んに普及している。
これは、データをグラフで直感的にモデル化し、高レベルな特徴を利用して分類問題を解くことができるためである。
リンク予測を用いた分類に短いculpはグラフに基づく分類器である。
この分類器はデータのグラフ表現を利用して問題をリンク予測に変換し、未ラベルノードとそれに対する適切なクラスノードの間のリンクを見つけようとする。
CULPは高精度な分類器であることが証明され、ラベルをほぼ一定時間で予測する能力を持つ。
分類問題の変種はマルチラベル分類であり、インスタンスが複数のラベルを関連付けることができるマルチラベルデータに対してこの問題に取り組む。
本研究では,CULPアルゴリズムを拡張し,この問題に対処する。
提案する拡張は,CULPのパワーと,その直感的なデータ表現をマルチラベル領域に伝達する。
関連論文リスト
- Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification [32.4968073593255]
マルチラベルノード分類のための相関対応グラフ畳み込みネットワーク(CorGCN)を提案する。
CorGCNは新しい相関対応グラフ分解モジュールを導入することで、ラベルごとにリッチなラベル関連情報を含むグラフを学習できる。
論文 参考訳（メタデータ） (2024-11-26T11:52:47Z) - Label Cluster Chains for Multi-Label Classification [2.072831155509228]
マルチラベル分類は、複数のラベルをインスタンスに同時に割り当てることができる教師付き機械学習の一種である。
そこで本稿では,ラベル空間に分割法を適用して得られた解離相関ラベルクラスタをチェーンする手法を提案する。
提案手法は,学習と連鎖が相関するラベルクラスタをよりよく探索し,ラベル相関を学習できることを示唆する。
論文 参考訳（メタデータ） (2024-11-01T11:16:37Z) - Towards Imbalanced Large Scale Multi-label Classification with Partially
Annotated Labels [8.977819892091]
マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。
本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
論文 参考訳（メタデータ） (2023-07-31T21:50:48Z) - Towards Semi-supervised Universal Graph Classification [6.339931887475018]
半教師付き普遍グラフ分類の問題について検討する。
ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。
サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
論文 参考訳（メタデータ） (2023-05-31T06:58:34Z) - Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。
本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文 参考訳（メタデータ） (2023-04-04T14:00:59Z) - Complementary to Multiple Labels: A Correlation-Aware Correction
Approach [65.59584909436259]
理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。
候補ラベルから遷移行列を推定する2段階の手法を提案する。
論文 参考訳（メタデータ） (2023-02-25T04:48:48Z) - Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。
提案手法は3つのデータセット上で最先端の性能を実現することができる。
論文 参考訳（メタデータ） (2022-03-08T12:39:05Z) - Predictive K-means with local models [0.028675177318965035]
予測クラスタリングは、2つの世界のベストを獲得しようとします。
この手法を用いて2つの新しいアルゴリズムを提案し、予測性能に競争力があることを様々なデータセットで示す。
論文 参考訳（メタデータ） (2020-12-16T10:49:36Z) - Unsupervised Label Refinement Improves Dataless Text Classification [48.031421660674745]
データレステキスト分類は、ラベル記述と組み合わせた文書にスコアを割り当てることで、文書を未確認のラベルに分類することができる。
有望ながら、それは重要なダウンストリームタスクごとにラベルセットの正確な説明に依存します。
この依存により、データレス分類器はラベル記述の選択に非常に敏感になり、実際にはデータレス分類の幅広い適用を妨げる。
論文 参考訳（メタデータ） (2020-12-08T03:37:50Z) - 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) - Automatically Discovering and Learning New Visual Categories with
Ranking Statistics [145.89790963544314]
我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。
汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。
我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
論文 参考訳（メタデータ） (2020-02-13T18:53:32Z)
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。