論文の概要: Multi-Label Classification Neural Networks with Hard Logical Constraints

• arxiv url: http://arxiv.org/abs/2103.13427v1
• Date: Wed, 24 Mar 2021 18:13:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:54:11.684893
• Title: Multi-Label Classification Neural Networks with Hard Logical Constraints
• Title（参考訳）: 難しい論理制約を持つマルチラベル分類ニューラルネットワーク
• Authors: Eleonora Giunchiglia and Thomas Lukasiewicz
• Abstract要約: 階層的多ラベル分類(HMC)問題に対する新しいアプローチを提案する。 c-hmcnn(h)は階層情報を利用して、制約に準拠した予測を生成し、性能を向上させる。 また、c-hmcnn(h)を拡張し、再び制約を満たし、性能を向上させることができる新しいモデルccn(h)を提案する。
• 参考スコア（独自算出の注目度）: 45.99924614659817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label classification (MC) is a standard machine learning problem in which a data point can be associated with a set of classes. A more challenging scenario is given by hierarchical multi-label classification (HMC) problems, in which every prediction must satisfy a given set of hard constraints expressing subclass relationships between classes. In this paper, we propose C-HMCNN(h), a novel approach for solving HMC problems, which, given a network h for the underlying MC problem, exploits the hierarchy information in order to produce predictions coherent with the constraints and to improve performance. Furthermore, we extend the logic used to express HMC constraints in order to be able to specify more complex relations among the classes and propose a new model CCN(h), which extends C-HMCNN(h) and is again able to satisfy and exploit the constraints to improve performance. We conduct an extensive experimental analysis showing the superior performance of both C-HMCNN(h) and CCN(h) when compared to state-of-the-art models in both the HMC and the general MC setting with hard logical constraints.
• Abstract（参考訳）: マルチラベル分類(MC、Multi-label classification)は、データポイントをクラスに関連付けることができる標準的な機械学習問題である。 より困難なシナリオは階層的マルチラベル分類(英語版)(hmc)の問題によって与えられ、全ての予測はクラス間のサブクラス関係を表現するハード制約のセットを満たさなければならない。 本稿では,HMC問題にネットワークhを付与した新しい手法であるC-HMCNN(h)を提案する。 さらに、クラス間のより複雑な関係を指定できるように、HMC制約を表現するために使用されるロジックを拡張し、C-HMCNN(h)を拡張して、その制約を満足して活用して性能を向上させる新しいモデルCCN(h)を提案する。 本研究では,c-hmcnn(h) と ccn(h) の両方の性能を,hmc と一般mc の厳密な論理制約下での最先端モデルと比較し,広範な実験解析を行った。

関連論文リスト

• HMIL: Hierarchical Multi-Instance Learning for Fine-Grained Whole Slide Image Classification [10.203984731917851]
  全スライド画像(WSI)のきめ細かい分類は、正確な癌診断とパーソナライズされた治療戦略を可能にする、精密腫瘍学において不可欠である。 マルチインスタンス学習(MIL)パラダイムはWSIの計算負担を軽減するが、既存のMIL手法は階層的なラベル相関を無視することが多い。 本稿では,これらの制約を克服する新しい階層型マルチインスタンス学習(HMIL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-12T09:22:00Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Solving Satisfiability Modulo Counting for Symbolic and Statistical AI Integration With Provable Guarantees [18.7083987727973]
  満足度モデュロカウント(Satifiability Modulo Counting、SMC)は、象徴的な意思決定と統計的推論の両方を必要とする問題を包含する。 XOR-SMCは、SMCで数えられるモデルをSAT式に置き換えることで、非常に難解なSMCを満足できる問題に変換する。 XOR-SMC は真の最適値に近い解を見つけ、SMC における難解なモデルカウントのよい近似を見つけるのに苦戦するいくつかの基本値を上回る。
  論文  参考訳（メタデータ） (2023-09-16T05:34:59Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• On Leave-One-Out Conditional Mutual Information For Generalization [122.2734338600665]
  残余条件付き相互情報(loo-CMI)の新しい尺度に基づく教師付き学習アルゴリズムのための情報理論の一般化境界を導出する。 他のCMI境界とは対照的に、我々のloo-CMI境界は容易に計算でき、古典的なout-out-out-cross-validationのような他の概念と関連して解釈できる。 ディープラーニングのシナリオにおいて予測された一般化ギャップを評価することにより,境界の質を実証的に検証する。
  論文  参考訳（メタデータ） (2022-07-01T17:58:29Z)
• Exact Learning of Qualitative Constraint Networks from Membership Queries [2.9005223064604078]
  制約ネットワーク (QCN) は、質的時間的および空間的関係の下で問題を表現するための制約グラフである。 本研究では,非専門家からのQCNを学習するための新しいアルゴリズムを提案する。 ここでの目標は、ターゲットのQCNに到達するのに必要なメンバシップクエリの数を減らすことだ。
  論文  参考訳（メタデータ） (2021-09-23T22:25:37Z)
• Continual Competitive Memory: A Neural System for Online Task-Free Lifelong Learning [91.3755431537592]
  我々は,教師なし学習,連続競合記憶(CCM)の新たな形態を提案する。 結果として得られる神経系は、オンライン連続分類問題において破滅的な忘れと戦う効果的なアプローチを提供する。 提案したCCMシステムは,他の競合学習ニューラルモデルよりも優れるだけでなく,最新かつ最先端の学習アプローチと競合する性能が得られることを実証する。
  論文  参考訳（メタデータ） (2021-06-24T20:12:17Z)
• Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
  C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。 最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
  論文  参考訳（メタデータ） (2020-10-20T09:37:02Z)
• Investigating Class-level Difficulty Factors in Multi-label Classification Problems [23.51529285126783]
  本研究は,マルチラベル分類問題におけるクラスレベルの難易度因子の利用を初めて検討する。 周波数、視覚的変化、セマンティック抽象化、クラス共起の4つの困難因子が提案されている。 これらの困難因子は、データセット間でのクラスレベルのパフォーマンスの予測など、いくつかの潜在的な応用があることが示されている。
  論文  参考訳（メタデータ） (2020-05-01T15:06:53Z)

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。