論文の概要: Gated recurrent units and temporal convolutional network for multilabel classification

• arxiv url: http://arxiv.org/abs/2110.04414v1
• Date: Sat, 9 Oct 2021 00:00:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-17 06:02:00.682013
• Title: Gated recurrent units and temporal convolutional network for multilabel classification
• Title（参考訳）: 多重ラベル分類のためのゲートリカレント単位と時間畳み込みネットワーク
• Authors: Loris Nanni, Alessandra Lumini, Alessandro Manfe, Sheryl Brahnam and Giorgio Venturin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 122.84638446560663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multilabel learning tackles the problem of associating a sample with multiple class labels. This work proposes a new ensemble method for managing multilabel classification: the core of the proposed approach combines a set of gated recurrent units and temporal convolutional neural networks trained with variants of the Adam optimization approach. Multiple Adam variants, including novel one proposed here, are compared and tested; these variants are based on the difference between present and past gradients, with step size adjusted for each parameter. The proposed neural network approach is also combined with Incorporating Multiple Clustering Centers (IMCC), which further boosts classification performance. Multiple experiments on nine data sets representing a wide variety of multilabel tasks demonstrate the robustness of our best ensemble, which is shown to outperform the state-of-the-art. The MATLAB code for generating the best ensembles in the experimental section will be available at https://github.com/LorisNanni.
• Abstract（参考訳）: マルチラベル学習は、サンプルと複数のクラスラベルを関連付ける問題に取り組む。 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,ゲートリカレント単位と時間畳み込みニューラルネットワークのセットと,adam最適化手法の変種を組み合わせたものである。 これらの変異は、現在の勾配と過去の勾配の違いに基づいており、それぞれのパラメータに対してステップサイズが調整されている。 提案されたニューラルネットワークアプローチは、さらに分類性能を高めるために、Incorporating Multiple Clustering Centers (IMCC)と組み合わせられている。 多様なマルチラベルタスクを表現する9つのデータセットに関する複数の実験は、最高のアンサンブルの堅牢性を示しています。 実験セクションで最高のアンサンブルを生成するためのMATLABコードはhttps://github.com/LorisNanni.comで入手できる。

関連論文リスト

• A data-centric approach for assessing progress of Graph Neural Networks [7.2249434861826325]
  グラフニューラルネットワーク(GNN)はノード分類タスクにおいて最先端の結果を得た。 主な改善点はマルチクラスの分類であり、各ノードが複数のラベルを持つ場合に焦点を当てない。 マルチラベルノード分類を研究する上での第一の課題は、公開データセットの不足である。
  論文  参考訳（メタデータ） (2024-06-18T09:41:40Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• WLD-Reg: A Data-dependent Within-layer Diversity Regularizer [98.78384185493624]
  ニューラルネットワークは、勾配に基づく最適化と共同で訓練された階層構造に配置された複数の層で構成されている。 我々は、この従来の「中間層」フィードバックを補うために、同じ層内での活性化の多様性を促進するために、追加の「中間層」フィードバックを補うことを提案する。 本稿では,提案手法が複数のタスクにおける最先端ニューラルネットワークモデルの性能を向上させることを実証した広範な実証研究を提案する。
  論文  参考訳（メタデータ） (2023-01-03T20:57:22Z)
• On Robust Learning from Noisy Labels: A Permutation Layer Approach [53.798757734297986]
  本稿では、深層ニューラルネットワーク(DNN)のトレーニング過程を動的に校正するPermLLと呼ばれる置換層学習手法を提案する。 本稿では,PermLLの2つの変種について述べる。一方はモデルの予測に置換層を適用し,他方は与えられた雑音ラベルに直接適用する。 我々はPermLLを実験的に検証し、実際のデータセットと合成データセットの両方で最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2022-11-29T03:01:48Z)
• 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)
• 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)
• Multi-Scale Label Relation Learning for Multi-Label Classification Using 1-Dimensional Convolutional Neural Networks [0.5801044612920815]
  MSDN(Multi-Scale Label Dependence Relation Networks)を提案する。 MSDNは1次元の畳み込みカーネルを使用してラベルの依存関係をマルチスケールで学習する。 我々は,RNNベースのMLCモデルと比較して,モデルパラメータの少ないモデルで精度を向上できることを実証した。
  論文  参考訳（メタデータ） (2021-07-13T09:26:34Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• RandomForestMLP: An Ensemble-Based Multi-Layer Perceptron Against Curse of Dimensionality [0.0]
  我々はRandomForestMLPという,新しい,実用的なディープラーニングパイプラインを提案する。 このコアトレーニング可能な分類エンジンは、畳み込みニューラルネットワークのバックボーンと、分類タスクのためのアンサンブルベースの多層パーセプトロンコアで構成されている。
  論文  参考訳（メタデータ） (2020-11-02T18:25:36Z)

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。