論文の概要: Multi-relation Message Passing for Multi-label Text Classification
- arxiv url: http://arxiv.org/abs/2202.04844v1
- Date: Thu, 10 Feb 2022 05:24:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 15:53:25.168808
- Title: Multi-relation Message Passing for Multi-label Text Classification
- Title（参考訳）: マルチラベルテキスト分類のためのマルチリレーションメッセージパッシング
- Authors: Muberra Ozmen, Hao Zhang, Pengyun Wang, Mark Coates
- Abstract要約: マルチラベル分類問題に対するMrMP(Multi-relation Message Passing)という新しい手法を提案する。
ベンチマークマルチラベルテキスト分類データセットの実験により、MrMPモジュールは最先端の手法と比較して類似または優れた性能が得られることが示された。
- 参考スコア（独自算出の注目度）: 19.37481051508782
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A well-known challenge associated with the multi-label classification problem
is modelling dependencies between labels. Most attempts at modelling label
dependencies focus on co-occurrences, ignoring the valuable information that
can be extracted by detecting label subsets that rarely occur together. For
example, consider customer product reviews; a product probably would not
simultaneously be tagged by both "recommended" (i.e., reviewer is happy and
recommends the product) and "urgent" (i.e., the review suggests immediate
action to remedy an unsatisfactory experience). Aside from the consideration of
positive and negative dependencies, the direction of a relationship should also
be considered. For a multi-label image classification problem, the "ship" and
"sea" labels have an obvious dependency, but the presence of the former implies
the latter much more strongly than the other way around. These examples
motivate the modelling of multiple types of bi-directional relationships
between labels. In this paper, we propose a novel method, entitled
Multi-relation Message Passing (MrMP), for the multi-label classification
problem. Experiments on benchmark multi-label text classification datasets show
that the MrMP module yields similar or superior performance compared to
state-of-the-art methods. The approach imposes only minor additional
computational and memory overheads.
- Abstract（参考訳）: マルチラベル分類問題に関連するよく知られた課題は、ラベル間の依存関係のモデリングである。
ラベル依存をモデリングしようとするほとんどの試みは共起に焦点を合わせ、稀に発生するラベルサブセットを検出することで抽出できる貴重な情報を無視している。
例えば、顧客製品レビューを考えてみると、製品には"推奨"(レビュアーが満足して製品を推奨する)と"エージェント"(つまり、レビューは不満足な経験を直すための即時行動を提案する)の両方が同時にタグ付けされないでしょう。
正と負の依存関係を考慮すれば、関係の方向性も考慮すべきである。
マルチラベル画像分類問題では、"ship" と "sea" ラベルは明らかに依存しているが、前者の存在は後者が他の方法よりもはるかに強いことを意味する。
これらの例はラベル間の複数種類の双方向関係のモデル化を動機付けている。
本稿では,マルチラベル分類問題に対するMrMP(Multi-relation Message Passing)という新しい手法を提案する。
ベンチマークマルチラベルテキスト分類データセットの実験により、MrMPモジュールは最先端の手法と比較して類似または優れた性能が得られることが示された。
このアプローチは計算とメモリのオーバーヘッドをわずかに増やすだけである。
関連論文リスト
- Bridging the Gap between Model Explanations in Partially Annotated
Multi-label Classification [85.76130799062379]
偽陰性ラベルがモデルの説明にどのように影響するかを考察する。
本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
論文 参考訳（メタデータ） (2023-04-04T14:00:59Z) - Complementary to Multiple Labels: A Correlation-Aware Correction
Approach [65.59584909436259]
理論上, マルチクラスCLLにおける遷移行列が, 複数ラベルの場合どのように歪むかを示す。
候補ラベルから遷移行列を推定する2段階の手法を提案する。
論文 参考訳（メタデータ） (2023-02-25T04:48:48Z) - Category-Adaptive Label Discovery and Noise Rejection for Multi-label
Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。
これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。
我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文 参考訳（メタデータ） (2022-11-15T02:11:20Z) - An Effective Approach for Multi-label Classification with Missing Labels [8.470008570115146]
分類ネットワークにさらなる複雑さをもたらすことなく、アノテーションのコストを削減するための擬似ラベルベースのアプローチを提案する。
新たな損失関数を設計することにより、各インスタンスが少なくとも1つの正のラベルを含む必要があるという要求を緩和することができる。
提案手法は,正のラベルと負のラベルの不均衡を扱える一方で,既存の欠落ラベル学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-24T23:13:57Z) - Group is better than individual: Exploiting Label Topologies and Label
Relations for Joint Multiple Intent Detection and Slot Filling [39.76268402567324]
我々は2種類のトポロジーを含む異種ラベルグラフ(HLG)を構築した。
ラベル相関を利用してセマンティック・ラベルの相互作用を強化する。
また,ラベルに依存しないデコード機構を提案し,デコードのためのラベル相関をさらに活用する。
論文 参考訳（メタデータ） (2022-10-19T08:21:43Z) - One Positive Label is Sufficient: Single-Positive Multi-Label Learning
with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。
ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。
ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-06-01T14:26:30Z) - Acknowledging the Unknown for Multi-label Learning with Single Positive
Labels [65.5889334964149]
伝統的に、全ての無注釈ラベルは、単一正のマルチラベル学習(SPML)において負のラベルとして仮定される。
本研究では, 予測確率のエントロピーを最大化するエントロピー最大化(EM)損失を提案する。
非通知ラベルの正負ラベル不均衡を考慮し、非対称耐性戦略とより精密な監視を行うセルフペースト手順を備えた非対称擬似ラベル(APL)を提案する。
論文 参考訳（メタデータ） (2022-03-30T11:43:59Z) - Evaluating Multi-label Classifiers with Noisy Labels [0.7868449549351487]
実世界では、クリーンなデータセットよりもノイズの多いデータセットを扱う方が一般的です。
雑音ラベルを効果的に処理するコンテキストベースマルチラベル分類器(CbMLC)を提案する。
CbMLCは、ほとんどの場合、以前の方法よりも大幅に改善されています。
論文 参考訳（メタデータ） (2021-02-16T19:50:52Z) - Label Confusion Learning to Enhance Text Classification Models [3.0251266104313643]
ラベル混乱モデル(lcm)はラベル間の意味的重複を捉えるためにラベル混乱を学習する。
lcmは、元のホットラベルベクトルを置き換えるより優れたラベル分布を生成することができる。
5つのテキスト分類ベンチマークデータセットの実験により、広く使われているディープラーニング分類モデルに対するLCMの有効性が明らかにされた。
論文 参考訳（メタデータ） (2020-12-09T11:34:35Z) - 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)
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。