論文の概要: Tree-Based Dynamic Classifier Chains

• arxiv url: http://arxiv.org/abs/2112.06672v1
• Date: Mon, 13 Dec 2021 13:49:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 18:23:10.534791
• Title: Tree-Based Dynamic Classifier Chains
• Title（参考訳）: 木に基づく動的分類器チェーン
• Authors: Eneldo Loza Menc\'ia, Moritz Kulessa, Simon Bohlender, Johannes F\"urnkranz
• Abstract要約: 動的分類連鎖は、各インスタンスが分類するために、ラベルが予測される順序が動的に選択されるという考えを表す。 静的順序付けをランダムな決定木モデルの下で使用することにより,次のラベルの動的選択が向上することを示す。 その結果,この変種はランダムな決定木や他の木に基づく多ラベル分類法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifier chains are an effective technique for modeling label dependencies in multi-label classification. However, the method requires a fixed, static order of the labels. While in theory, any order is sufficient, in practice, this order has a substantial impact on the quality of the final prediction. Dynamic classifier chains denote the idea that for each instance to classify, the order in which the labels are predicted is dynamically chosen. The complexity of a naive implementation of such an approach is prohibitive, because it would require to train a sequence of classifiers for every possible permutation of the labels. To tackle this problem efficiently, we propose a new approach based on random decision trees which can dynamically select the label ordering for each prediction. We show empirically that a dynamic selection of the next label improves over the use of a static ordering under an otherwise unchanged random decision tree model. % and experimental environment. In addition, we also demonstrate an alternative approach based on extreme gradient boosted trees, which allows for a more target-oriented training of dynamic classifier chains. Our results show that this variant outperforms random decision trees and other tree-based multi-label classification methods. More importantly, the dynamic selection strategy allows to considerably speed up training and prediction.
• Abstract（参考訳）: 分類器チェーンは、マルチラベル分類におけるラベル依存をモデル化する効果的な手法である。 しかし、このメソッドはラベルの固定された静的順序を必要とする。 理論上、任意の順序は十分であるが、実際にはこの順序は最終的な予測の品質に大きな影響を与える。 動的分類器チェーンは、各インスタンスが分類するために、ラベルが予測される順序が動的に選択されるという考えを表す。 このようなアプローチのナイーブな実装の複雑さは、ラベルのあらゆる可能な置換のために分類器のシーケンスを訓練する必要があるため、禁じられている。 この問題を効果的に解決するために,各予測に対するラベル順序を動的に選択できるランダムな決定木に基づく新しい手法を提案する。 ランダムな決定木モデルの下で静的順序付けを用いることにより,次のラベルの動的選択が改良されることを実証的に示す。 %, 実験環境であった。 さらに, 動的分類器チェーンのより標的指向の訓練を可能にするため, 極端な勾配木をベースとした代替手法を実証する。 この変異はランダムな決定木や他の木に基づく多ラベル分類法よりも優れていることを示す。 さらに重要なのは、動的選択戦略によって、トレーニングと予測を大幅にスピードアップできることだ。

関連論文リスト

• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Combining Self-labeling with Selective Sampling [2.0305676256390934]
  この研究は、選択的サンプリングシナリオにおける自己ラベル技術とアクティブラーニングを組み合わせたものである。 選択したクラスに対してバイアスを課すことにより,自己ラベルの適用がパフォーマンスに悪影響を及ぼすことを示す。 提案手法は,現在の選択的サンプリング手法と一致し,より良い結果が得られる。
  論文  参考訳（メタデータ） (2023-01-11T11:58:45Z)
• Set-valued prediction in hierarchical classification with constrained representation complexity [4.258263831866309]
  階層的多クラス分類問題に焦点をあて、有効集合が階層の内部ノードに対応する。 我々は3つの手法を提案し、それらをベンチマークデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-03-13T15:13:19Z)
• Optimal randomized classification trees [0.0]
  分類と回帰木(英: Classification and Regression Trees、CART)は、現代の統計学と機械学習における既成の技術である。 CARTはgreedyプロシージャによって構築され、分割予測変数と関連するしきい値を逐次決定する。 この強欲なアプローチは、木を非常に高速に木に分類するが、その性質上、それらの分類精度は他の最先端の手順と競合しないかもしれない。
  論文  参考訳（メタデータ） (2021-10-19T11:41:12Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
  我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。 我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
  論文  参考訳（メタデータ） (2020-10-19T19:53:15Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• Probabilistic Decoupling of Labels in Classification [4.865747672937677]
  非標準分類タスクに対する原則的,確率的,統一的なアプローチを開発する。 ラベル分布を予測するために、与えられたラベルの分類器を訓練する。 次に、ラベルクラス遷移のモデルを変動的に最適化することで、基礎となるクラス分布を推定する。
  論文  参考訳（メタデータ） (2020-06-16T10:07:50Z)
• Extreme Gradient Boosted Multi-label Trees for Dynamic Classifier Chains [1.357087732949916]
  動的分類器チェーン(DCC)は、手元にある各インスタンスに応じて、各予測に対してラベル順序が動的に選択される。 我々は、この概念を、効果的でスケーラブルな最先端技術である極度の勾配押し上げ木(XGBoost)の強化と組み合わせる。 正のラベルのみを予測し、通常は少数であるので、トレーニングコストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2020-06-15T02:35:32Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。