論文の概要: The Emerging Trends of Multi-Label Learning

• arxiv url: http://arxiv.org/abs/2011.11197v3
• Date: Wed, 17 Nov 2021 06:46:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 02:47:05.892841
• Title: The Emerging Trends of Multi-Label Learning
• Title（参考訳）: マルチラベル学習の新潮流
• Authors: Weiwei Liu, Haobo Wang, Xiaobo Shen, Ivor W. Tsang
• Abstract要約: エクサバイトのデータは人間によって毎日生成されるため、ビッグデータによってもたらされるマルチラベル学習に対する大きな課題に対処する新たな取り組みの必要性が高まっている。 ビッグデータ時代における新興トレンドとマルチラベル学習の新たな課題を明示的に分析することに焦点を当てた体系的研究の欠如がある。 このミッションを遂行し、今後の研究の方向性と新たな応用を説明するための総合的な調査を求めることが不可欠である。
• 参考スコア（独自算出の注目度）: 45.63795570392158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exabytes of data are generated daily by humans, leading to the growing need for new efforts in dealing with the grand challenges for multi-label learning brought by big data. For example, extreme multi-label classification is an active and rapidly growing research area that deals with classification tasks with an extremely large number of classes or labels; utilizing massive data with limited supervision to build a multi-label classification model becomes valuable for practical applications, etc. Besides these, there are tremendous efforts on how to harvest the strong learning capability of deep learning to better capture the label dependencies in multi-label learning, which is the key for deep learning to address real-world classification tasks. However, it is noted that there has been a lack of systemic studies that focus explicitly on analyzing the emerging trends and new challenges of multi-label learning in the era of big data. It is imperative to call for a comprehensive survey to fulfill this mission and delineate future research directions and new applications.
• Abstract（参考訳）: エクサバイトのデータは人間によって毎日生成されるため、ビッグデータによってもたらされるマルチラベル学習の課題に対処する新たな取り組みの必要性が高まっている。 例えば、エクストリーム・マルチラベル分類(extreme multi-label classification)は、非常に多くのクラスやラベルを持つ分類タスクを扱う、活発で急速に成長している研究領域である。 これらに加えて、ディープラーニングの強力な学習能力を習得して、マルチラベル学習におけるラベル依存をよりよく把握する方法にも、大きな取り組みがあります。 しかし,ビッグデータ時代における新興トレンドと多言語学習の新たな課題を明示的に分析することに焦点を当てた体系的研究の欠如が指摘されている。 このミッションを遂行し、今後の研究の方向性と新たな応用を説明するための総合的な調査を求めることが不可欠である。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Deep Learning for Multi-Label Learning: A Comprehensive Survey [6.571492336879553]
  マルチラベル学習は、単一の入力データポイントから複数のラベルを予測することを目的とした、急速に成長する研究分野である。 MLCでは、高次元データを扱うこと、ラベルの相関に対処すること、部分的なラベルを扱うことが含まれる。 近年,MDCにおけるこれらの課題をより効果的に解決するために,ディープラーニング(DL)技術の採用が顕著に増加していることが報告されている。
  論文  参考訳（メタデータ） (2024-01-29T20:37:03Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• Label-Efficient Deep Learning in Medical Image Analysis: Challenges and Future Directions [10.502964056448283]
  医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。 我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。 具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
  論文  参考訳（メタデータ） (2023-03-22T11:51:49Z)
• Active learning for data streams: a survey [0.48951183832371004]
  オンラインアクティブな学習は機械学習のパラダイムであり、データストリームからラベルに最も情報のあるデータポイントを選択することを目的としている。 それぞれの観測に注釈をつけるのは時間と費用がかかり、大量のラベル付きデータを得るのが難しくなる。 本研究の目的は、データストリームから最も情報性の高い観測をリアルタイムで選択するための、最近提案されたアプローチの概要を提供することである。
  論文  参考訳（メタデータ） (2023-02-17T14:24:13Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)

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。