論文の概要: Integration of Autoencoder and Functional Link Artificial Neural Network
for Multi-label Classification
- arxiv url: http://arxiv.org/abs/2107.09904v1
- Date: Wed, 21 Jul 2021 07:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:11:07.528915
- Title: Integration of Autoencoder and Functional Link Artificial Neural Network
for Multi-label Classification
- Title（参考訳）: マルチラベル分類のためのオートエンコーダと機能的リンクニューラルネットワークの統合
- Authors: Anwesha Law and Ashish Ghosh
- Abstract要約: マルチラベル(ML)分類は、特定のデータインスタンスに対して複数のラベルがアクティブであるために生じる、複雑で重複した境界を扱う。
複雑な決定境界を扱うために,基礎となる特徴を抽出し,データに非線形性を導入することができる分類器を提案する。
入力特徴を多ラベル機能リンク人工ニューラルネットワークとオートエンコーダの2つの変換に適応させる新しいニューラルネットワークモデルが開発されている。
このネットワークは、2層変換によるマルチラベルデータの分離性を向上し、拡張された特徴空間をより管理可能な量に削減することができる。
- 参考スコア（独自算出の注目度）: 14.150518141172434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-label (ML) classification is an actively researched topic currently,
which deals with convoluted and overlapping boundaries that arise due to
several labels being active for a particular data instance. We propose a
classifier capable of extracting underlying features and introducing
non-linearity to the data to handle the complex decision boundaries. A novel
neural network model has been developed where the input features are subjected
to two transformations adapted from multi-label functional link artificial
neural network and autoencoders. First, a functional expansion of the original
features are made using basis functions. This is followed by an
autoencoder-aided transformation and reduction on the expanded features. This
network is capable of improving separability for the multi-label data owing to
the two-layer transformation while reducing the expanded feature space to a
more manageable amount. This balances the input dimension which leads to a
better classification performance even for a limited amount of data. The
proposed network has been validated on five ML datasets which shows its
superior performance in comparison with six well-established ML classifiers.
Furthermore, a single-label variation of the proposed network has also been
formulated simultaneously and tested on four relevant datasets against three
existing classifiers to establish its effectiveness.
- Abstract（参考訳）: マルチラベル(ml)分類は、現在活発に研究されているトピックであり、特定のデータインスタンスで複数のラベルがアクティブであるため発生する、畳み込みと重なり合う境界を扱う。
複雑な決定境界を扱うために,基礎となる特徴を抽出し,データに非線形性を導入することができる分類器を提案する。
入力特徴を多ラベル機能リンク人工ニューラルネットワークとオートエンコーダの2つの変換に適応させる新しいニューラルネットワークモデルが開発されている。
まず、基本機能を用いて、元の機能の機能拡張を行う。
この後、オートエンコーダによる変換と拡張機能の削減が行われる。
このネットワークは、2層変換によるマルチラベルデータの分離性を向上し、拡張された特徴空間をより管理可能な量に削減することができる。
これは、限られた量のデータであってもより良い分類性能をもたらす入力次元のバランスをとる。
提案したネットワークは、5つのMLデータセットで検証され、6つの確立されたML分類器と比較して優れた性能を示している。
さらに,提案ネットワークの単一ラベル変動も同時に定式化され,既存の3つの分類器に対して4つの関連するデータセットで検証され,その有効性が確認されている。
関連論文リスト
- Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。
特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。
早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文 参考訳（メタデータ） (2023-06-20T03:00:22Z) - Multiclass classification for multidimensional functional data through
deep neural networks [0.22843885788439797]
革新的なデータマイニング分類ツールとして,新しい機能深層ニューラルネットワーク(mfDNN)を導入する。
線形単位(ReLU)アクティベーション機能を持つ疎いディープニューラルネットワークアーキテクチャを考察し,マルチクラス分類設定におけるクロスエントロピー損失を最小化する。
シミュレーションデータと異なるアプリケーションドメインのベンチマークデータセットにおけるmfDNNの性能を示す。
論文 参考訳（メタデータ） (2023-05-22T16:56:01Z) - Exploring explicit coarse-grained structure in artificial neural
networks [0.0]
本稿では, ニューラルネットワークの階層的粗粒度構造を用いて, 性能を劣化させることなく, 解釈性を向上させることを提案する。
ひとつはTaylorNetと呼ばれるニューラルネットワークで、入力データから出力結果への一般的なマッピングを直接テイラー級数で近似することを目的としている。
もう1つはデータ蒸留のための新しいセットアップで、入力データセットのマルチレベル抽象化を実行し、新しいデータを生成することができる。
論文 参考訳（メタデータ） (2022-11-03T13:06:37Z) - Multi-scale and Cross-scale Contrastive Learning for Semantic
Segmentation [5.281694565226513]
セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。
まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
論文 参考訳（メタデータ） (2022-03-25T01:24:24Z) - Gated recurrent units and temporal convolutional network for multilabel
classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。
提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文 参考訳（メタデータ） (2021-10-09T00:00:16Z) - A^2-FPN: Attention Aggregation based Feature Pyramid Network for
Instance Segmentation [68.10621089649486]
アテンションアグリゲーションに基づく機能ピラミッドネットワーク(A2-FPN)を提案し、マルチスケール機能学習を改善します。
A2-FPNは、Cascade Mask R-CNNやHybrid Task Cascadeといった強力なベースラインに統合された場合、2.0%と1.4%のマスクAPを改善する。
論文 参考訳（メタデータ） (2021-05-07T11:51:08Z) - Deep Attributed Network Representation Learning via Attribute Enhanced
Neighborhood [10.954489956418191]
帰結型ネットワーク表現学習は、ネットワーク構造と属性情報の統合によるノード埋め込みの学習を目標としている。
微視的構造と属性のセマンティクスを同時に捉えることは困難である。
ノード表現の堅牢性と有効性を向上させるために,属性強化近傍(DANRL-ANE)モデルを用いたディープアトリビュートネットワーク表現学習を提案する。
論文 参考訳（メタデータ） (2021-04-12T07:03:16Z) - Latent Code-Based Fusion: A Volterra Neural Network Approach [21.25021807184103]
最近導入されたVolterra Neural Networks(VNN)を用いた深層構造エンコーダを提案する。
提案手法は,cnnベースのオートエンコーダに対して,より頑健な分類性能を持つサンプル複雑性を示す。
論文 参考訳（メタデータ） (2021-04-10T18:29:01Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z)
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。