論文の概要: HOT-VAE: Learning High-Order Label Correlation for Multi-Label
Classification via Attention-Based Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2103.06375v1
- Date: Tue, 9 Mar 2021 04:30:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-12 19:24:59.884500
- Title: HOT-VAE: Learning High-Order Label Correlation for Multi-Label
Classification via Attention-Based Variational Autoencoders
- Title（参考訳）: HOT-VAE:意図に基づく変分オートエンコーダによる複数ラベル分類のための高次ラベル相関学習
- Authors: Wenting Zhao, Shufeng Kong, Junwen Bai, Daniel Fink, and Carla Gomes
- Abstract要約: High-order Tie-in Variational Autoencoder (HOT-VAE) 形式ごとの適応的高階ラベル相関学習。
本モデルが鳥の分布データセット上で既存の最先端のアプローチを上回ることを実験的に検証した。
- 参考スコア（独自算出の注目度）: 8.376771467488458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding how environmental characteristics affect bio-diversity
patterns, from individual species to communities of species, is critical for
mitigating effects of global change. A central goal for conservation planning
and monitoring is the ability to accurately predict the occurrence of species
communities and how these communities change over space and time. This in turn
leads to a challenging and long-standing problem in the field of computer
science - how to perform ac-curate multi-label classification with hundreds of
labels? The key challenge of this problem is its exponential-sized output space
with regards to the number of labels to be predicted.Therefore, it is essential
to facilitate the learning process by exploiting correlations (or dependency)
among labels. Previous methods mostly focus on modelling the correlation on
label pairs; however, complex relations between real-world objects often go
beyond second order. In this paper, we pro-pose a novel framework for
multi-label classification, High-order Tie-in Variational Autoencoder
(HOT-VAE), which per-forms adaptive high-order label correlation learning. We
experimentally verify that our model outperforms the existing state-of-the-art
approaches on a bird distribution dataset on both conventional F1 scores and a
variety of ecological metrics. To show our method is general, we also perform
empirical analysis on seven other public real-world datasets in several
application domains, and Hot-VAE exhibits superior performance to previous
methods.
- Abstract（参考訳）: 環境特性が生物多様性のパターンにどう影響するかを理解することは、地球規模の変化の緩和に不可欠である。
保全計画とモニタリングの中心的な目標は、種コミュニティの発生を正確に予測し、これらのコミュニティが空間と時間によってどのように変化するかを予測する能力である。
この結果、コンピュータ科学の分野では、何百ものラベルでac-curateマルチラベル分類を実行する方法 - 困難で長年にわたる問題につながりますか?
この問題の鍵となる課題は、予測するラベルの数に関する指数的な出力空間であり、これまではラベル間の相関(または依存)を利用して学習プロセスを促進することが不可欠である。
以前の手法はラベルペアの相関のモデル化に主に焦点を合わせていたが、現実世界のオブジェクト間の複雑な関係はしばしば二階を越えている。
本稿では,適応型高次ラベル相関学習を行うマルチラベル分類のための新しいフレームワーク,high-order tie-in variational autoencoder (hot-vae)を提案する。
本モデルが従来のF1スコアとさまざまな生態学的指標の両方の鳥の分布データセットにおける既存の最先端のアプローチを上回っていることを実験的に検証した。
また,本手法が一般的であることを示すため,いくつかのアプリケーション領域において,他の7つの公開実世界のデータセットに対して経験的解析を行い,Hot-VAEは従来の手法よりも優れた性能を示す。
関連論文リスト
- Leaf Cultivar Identification via Prototype-enhanced Learning [16.554823962192486]
植物葉の識別は生物多様性の保護と保全に不可欠である。
実際には、インスタンスは多種多様で様々な程度に関連づけられることがある。
ワンホットラベルでトレーニングされたディープラーニングメソッドは、カテゴリ間で共有されるパターンを反映しない。
論文 参考訳（メタデータ） (2023-05-05T08:11:31Z) - Unleashing the Power of Graph Data Augmentation on Covariate
Distribution Shift [50.98086766507025]
本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。
AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
論文 参考訳（メタデータ） (2022-11-05T07:55:55Z) - Association Graph Learning for Multi-Task Classification with Category
Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。
我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。
我々の手法は代表的基準よりも一貫して性能が良い。
論文 参考訳（メタデータ） (2022-10-10T12:37:41Z) - Preserving Fine-Grain Feature Information in Classification via Entropic
Regularization [10.358087436626391]
標準的なクロスエントロピーは、粗い機能に過度に適合する可能性があることを示す。
エントロピーに基づく正規化を導入し、訓練されたモデルの特徴空間におけるさらなる多様性を促進する。
論文 参考訳（メタデータ） (2022-08-07T09:25:57Z) - 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) - 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) - Universalizing Weak Supervision [18.832796698152492]
ラベルタイプに対して弱い監督を可能にするユニバーサル手法を提案する。
我々は、このテクニックを、ハイパーボリック空間におけるランク付け、回帰、学習を含むWSフレームワークがこれまで取り組まなかった重要な問題に適用する。
論文 参考訳（メタデータ） (2021-12-07T17:59:10Z) - Gaussian Mixture Variational Autoencoder with Contrastive Learning for
Multi-Label Classification [27.043136219527767]
本稿では,新しいコントラスト学習促進型マルチラベル予測モデルを提案する。
教師付き環境でのコントラスト学習を用いることで,ラベル情報を効果的に活用することができる。
学習した埋め込みがラベルとラベルの相互作用の解釈に洞察を与えることを示す。
論文 参考訳（メタデータ） (2021-12-02T04:23:34Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Instance-Aware Graph Convolutional Network for Multi-Label
Classification [55.131166957803345]
グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。
マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-19T12:49:28Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳（メタデータ） (2020-07-21T14:31:27Z)
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。