論文の概要: Adaptive label thresholding methods for online multi-label classification

• arxiv url: http://arxiv.org/abs/2112.02301v1
• Date: Sat, 4 Dec 2021 10:34:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 17:05:25.518973
• Title: Adaptive label thresholding methods for online multi-label classification
• Title（参考訳）: オンライン多ラベル分類のための適応ラベル閾値法
• Authors: Tingting Zhai, Hongcheng Tang, Hao Wang
• Abstract要約: 既存のオンラインマルチラベル分類作業は、オンラインラベルのしきい値設定問題に対処できない。 本稿では,オンラインマルチラベル分類のための適応ラベル閾値アルゴリズムの新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.028101568570768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing online multi-label classification works cannot well handle the online label thresholding problem and lack the regret analysis for their online algorithms. This paper proposes a novel framework of adaptive label thresholding algorithms for online multi-label classification, with the aim to overcome the drawbacks of existing methods. The key feature of our framework is that both scoring and thresholding models are included as important components of the online multi-label classifier and are incorporated into one online optimization problem. Further, in order to establish the relationship between scoring and thresholding models, a novel multi-label classification loss function is derived, which measures to what an extent the multi-label classifier can distinguish between relevant labels and irrelevant ones for an incoming instance. Based on this new framework and loss function, we present a first-order linear algorithm and a second-order one, which both enjoy closed form update, but rely on different techniques for updating the multi-label classifier. Both algorithms are proved to achieve a sub-linear regret. Using Mercer kernels, our first-order algorithm has been extended to deal with nonlinear multi-label prediction tasks. Experiments show the advantage of our linear and nonlinear algorithms, in terms of various multi-label performance metrics.
• Abstract（参考訳）: 既存のオンラインマルチラベル分類作業は、オンラインラベル閾値問題にうまく対処できず、オンラインアルゴリズムに対する後悔の分析も欠如している。 本稿では,既存の手法の欠点を克服すべく,オンラインマルチラベル分類のための適応ラベルしきい値アルゴリズムの新たな枠組みを提案する。 私たちのフレームワークの重要な特徴は、スコアリングモデルとしきい値モデルの両方が、オンラインマルチラベル分類器の重要なコンポーネントとして含まれ、一つのオンライン最適化問題に組み込まれていることです。 さらに、スコアモデルとしきい値モデルの関係を確立するために、マルチラベル分類器が、受信したインスタンスに対して、関連するラベルと無関係なラベルとをどの程度区別できるかを測定する、新しいマルチラベル分類損失関数が導出される。 この新しいフレームワークと損失関数に基づいて,二階線形アルゴリズムと二階線形アルゴリズムを提案し,どちらもクローズドフォーム更新を享受するが,マルチラベル分類器の更新には異なる手法を用いる。 どちらのアルゴリズムも、サブ線形後悔を実現することが証明されている。 マーサーカーネルを用いて,非線形多ラベル予測タスクに対処するために,1次アルゴリズムを拡張した。 実験では,様々なマルチラベル性能指標を用いて線形および非線形アルゴリズムの利点を示す。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• 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)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• 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)
• Gradient-based Label Binning in Multi-label Classification [0.0]
  多ラベル分類において、ラベル間の依存関係をモデル化する能力は、非分解性評価尺度を効果的に最適化するために重要である。 最近の多くのブースティングアプローチで使われている2階微分の利用は、分解不能な損失の最小化を導くのに役立つ。 本研究では,新しい近似手法を高速化手法に統合することにより,そのような手法の計算ボトルネックに対処する。
  論文  参考訳（メタデータ） (2021-06-22T11:48:48Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Learning Gradient Boosted Multi-label Classification Rules [4.842945656927122]
  本稿では,分解不能な損失関数だけでなく,分解不能な損失関数を最小化できる多ラベル分類規則の学習アルゴリズムを提案する。 我々は,合成データに対するアプローチの能力と限界を分析し,その予測性能をマルチラベルベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-06-23T21:39:23Z)
• Online Metric Learning for Multi-Label Classification [22.484707213499714]
  マルチラベル分類のための新しいオンラインメトリック学習パラダイムを提案する。 我々はまず,$k$-Nearest Neighbour(k$NN)に基づくマルチラベル分類のための新しい指標を提案する。
  論文  参考訳（メタデータ） (2020-06-12T11:33:04Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。