論文の概要: Improved Multi-label Classification with Frequent Label-set Mining and Association

• arxiv url: http://arxiv.org/abs/2109.10797v1
• Date: Wed, 22 Sep 2021 15:36:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:42:01.736385
• Title: Improved Multi-label Classification with Frequent Label-set Mining and Association
• Title（参考訳）: 頻繁なラベルセットマイニングとアソシエーションによるマルチラベル分類の改善
• Authors: Anwesha Law, Ashish Ghosh
• Abstract要約: ラベル集合から相関クラスを抽出するために, 頻繁なラベルセットマイニングの新たな手法が提案されている。 ここでは,特定のスコアとそれに対応するCP-CAルールの助けを借りて,不確実なスコアを改善することを目的とした,確実かつ不確実なスコアの概念が定義されている。
• 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) data deals with multiple classes associated with individual samples at the same time. This leads to the co-occurrence of several classes repeatedly, which indicates some existing correlation among them. In this article, the correlation among classes has been explored to improve the classification performance of existing ML classifiers. A novel approach of frequent label-set mining has been proposed to extract these correlated classes from the label-sets of the data. Both co-presence (CP) and co-absence (CA) of classes have been taken into consideration. The rules mined from the ML data has been further used to incorporate class correlation information into existing ML classifiers. The soft scores generated by an ML classifier are modified through a novel approach using the CP-CA rules. A concept of certain and uncertain scores has been defined here, where the proposed method aims to improve the uncertain scores with the help of the certain scores and their corresponding CP-CA rules. This has been experimentally analysed on ten ML datasets for three ML existing classifiers which shows substantial improvement in their overall performance.
• Abstract（参考訳）: マルチラベル(ML)データは、個々のサンプルに関連付けられた複数のクラスを同時に扱う。 これにより、複数のクラスが繰り返し共起し、それらの間の既存の相関関係が示される。 本稿では,既存のML分類器の分類性能を向上させるために,クラス間の相関について検討した。 ラベルセットの頻繁なマイニングの新たな手法として,ラベルセットから相関クラスを抽出する手法が提案されている。 共存在(CP)と共存在(CA)の両方を考慮に入れている。 MLデータから抽出されたルールは、クラス相関情報を既存のML分類器に組み込むためにさらに使われている。 ml分類器によって生成されるソフトスコアは、cp-caルールを用いた新しいアプローチにより修正される。 ここでは,特定のスコアとそれに対応するCP-CAルールの助けを借りて,不確実なスコアを改善することを目的とした,確実かつ不確実なスコアの概念が定義されている。 これは、MLの既存の3つの分類器に対して10のMLデータセットで実験的に分析され、全体的なパフォーマンスが大幅に改善されている。

関連論文リスト

• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• PercentMatch: Percentile-based Dynamic Thresholding for Multi-Label Semi-Supervised Classification [64.39761523935613]
  トレーニング中の各クラスに対する正と負の擬似ラベルのスコア閾値を動的に変更するためのパーセンタイルベースのしきい値調整手法を提案する。 近年のSSL方式と比較して, Pascal VOC2007 と MS-COCO のデータセットの性能は高い。
  論文  参考訳（メタデータ） (2022-08-30T01:27:48Z)
• Class-Incremental Lifelong Learning in Multi-Label Classification [3.711485819097916]
  本稿では、連続したマルチラベル分類データストリームにオンラインのクラスインクリメンタル分類器を構築する、Lifelong Multi-Label (LML)分類について検討する。 そこで本研究では,AGCN (Augmented Graph Convolutional Network) を提案する。
  論文  参考訳（メタデータ） (2022-07-16T05:14:07Z)
• Decision Making for Hierarchical Multi-label Classification with Multidimensional Local Precision Rate [4.812468844362369]
  我々は,各クラスの各対象に対して,多次元局所精度率 (mLPR) と呼ばれる新しい統計モデルを導入する。 我々は,mLPRの下位順序でクラス間でオブジェクトをソートするだけで,クラス階層を確実にすることができることを示す。 これに対し、階層を尊重しながら推定mLPRを用いてCATCHの実証バージョンを最大化する新しいアルゴリズムであるHierRankを導入する。
  論文  参考訳（メタデータ） (2022-05-16T17:43:35Z)
• 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)
• 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)
• PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
  長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。 本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。 本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-05-22T18:07:56Z)
• Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
  数発の分類問題の調査に2つの貢献をしている。 本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。 本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
  論文  参考訳（メタデータ） (2020-08-10T11:28:52Z)
• Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
  マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。 ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。 本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
  論文  参考訳（メタデータ） (2020-07-22T18:13:12Z)
• ML-KFHE: Multi-label ensemble classification algorithm exploiting sensor fusion properties of the Kalman filter [8.493936898320671]
  カルマンフィルタに基づくヒューリスティック・アンサンブル(英: Heuristic Ensemble, KFHE)は、カルマンフィルタのセンサ融合特性を利用して複数のモデルを組み合わせるアンサンブル法である。 本研究は、KFHEのマルチラベルバージョンを提案し、マルチラベルデータセットにおけるKFHEの有効性を実証する。
  論文  参考訳（メタデータ） (2019-04-23T22:10:50Z)

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。