論文の概要: Joint Learning of Hyperbolic Label Embeddings for Hierarchical Multi-label Classification

• arxiv url: http://arxiv.org/abs/2101.04997v1
• Date: Wed, 13 Jan 2021 10:58:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 08:07:29.472779
• Title: Joint Learning of Hyperbolic Label Embeddings for Hierarchical Multi-label Classification
• Title（参考訳）: 階層型マルチラベル分類のための双曲ラベル埋め込みの合同学習
• Authors: Soumya Chatterjee, Ayush Maheshwari, Ganesh Ramakrishnan, Saketha Nath Jagaralpudi
• Abstract要約: ラベルが階層内に存在するマルチラベル分類の問題を検討する。 共同学習のための新しい定式化を提案し,その効果を実証的に評価する。
• 参考スコア（独自算出の注目度）: 9.996804039553858
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider the problem of multi-label classification where the labels lie in a hierarchy. However, unlike most existing works in hierarchical multi-label classification, we do not assume that the label-hierarchy is known. Encouraged by the recent success of hyperbolic embeddings in capturing hierarchical relations, we propose to jointly learn the classifier parameters as well as the label embeddings. Such a joint learning is expected to provide a twofold advantage: i) the classifier generalizes better as it leverages the prior knowledge of existence of a hierarchy over the labels, and ii) in addition to the label co-occurrence information, the label-embedding may benefit from the manifold structure of the input datapoints, leading to embeddings that are more faithful to the label hierarchy. We propose a novel formulation for the joint learning and empirically evaluate its efficacy. The results show that the joint learning improves over the baseline that employs label co-occurrence based pre-trained hyperbolic embeddings. Moreover, the proposed classifiers achieve state-of-the-art generalization on standard benchmarks. We also present evaluation of the hyperbolic embeddings obtained by joint learning and show that they represent the hierarchy more accurately than the other alternatives.
• Abstract（参考訳）: ラベルが階層構造にあるマルチラベル分類の問題を考える。 しかしながら、階層的マルチラベル分類の既存の作品の多くとは異なり、ラベル階層性が知られているとは考えていない。 階層的関係を捉えた双曲的埋め込みが最近成功したことを踏まえ,分類器パラメータとラベル埋め込みを共同で学習することを提案する。 このような共同学習は、2つの利点をもたらすことが期待されている: i) 分類器はラベル上の階層の存在に関する事前の知識を活用し、ii) ラベル共起情報に加えて、ラベル埋め込みは入力データポイントの多様体構造から恩恵を受け、ラベル階層に対してより忠実な埋め込みをもたらす。 共同学習のための新しい定式化を提案し,その効果を実証的に評価する。 その結果,共同学習はラベル共起に基づく事前学習型双曲埋め込みを用いたベースラインよりも改善した。 さらに,提案した分類器は標準ベンチマークの最先端の一般化を実現する。 また,共同学習によって得られる双曲的埋め込みの評価を行い,それらが他の方法よりも正確に階層を表すことを示す。

関連論文リスト

• SEAL: Simultaneous Label Hierarchy Exploration And Learning [9.701914280306118]
  本稿では,従来の階層構造に従う潜在ラベルでラベルを増大させることにより,ラベル階層を探索する新しいフレームワークを提案する。 本手法では,木間距離空間上の1-ワッサーシュタイン計量を客観的関数として用いて,データ駆動型ラベル階層を同時に学習し,半教師付き学習を行う。
  論文  参考訳（メタデータ） (2023-04-26T08:31:59Z)
• TagRec++: Hierarchical Label Aware Attention Network for Question Categorization [0.3683202928838613]
  オンライン学習システムは、階層的な性質の明確に定義された分類に従ってコンテンツを整理する。 階層ラベルへの入力を分類するタスクは通常、フラットな多クラス分類問題として扱われる。 各コンテンツに対して適切な階層ラベルを検索するために,タスクを高密度検索問題として定式化する。
  論文  参考訳（メタデータ） (2022-08-10T05:08:37Z)
• 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)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers [40.993137740456014]
  本稿では,階層型分類の課題に対処するために,ディープラーニングに基づく統一確率的フレームワークを提案する。 提案するフレームワークは、わずかに修正するだけで、既存のディープネットワークに容易に適応できる。 提案するLHTフレームワークを皮膚病変診断タスクに拡張し,コンピュータ支援診断におけるその大きな可能性を検証した。
  論文  参考訳（メタデータ） (2021-12-04T14:58:36Z)
• Expert Knowledge-Guided Length-Variant Hierarchical Label Generation for Proposal Classification [21.190465278587045]
  提案分類は、提案をラベルの長さ可変シーケンスに分類することを目的としている。 我々は3つの特徴を共同でモデル化する新しいディーププロポーザル分類フレームワークを開発した。 我々のモデルは,次のラベル予測を止めるために,ラベルシーケンスの最適な長さを自動的に識別することができる。
  論文  参考訳（メタデータ） (2021-09-14T13:09:28Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)
• 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)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。