論文の概要: Evolving Multi-Label Fuzzy Classifier
- arxiv url: http://arxiv.org/abs/2203.15318v1
- Date: Tue, 29 Mar 2022 08:01:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 03:43:30.632788
- Title: Evolving Multi-Label Fuzzy Classifier
- Title（参考訳）: 進化するマルチラベルファジィ分類器
- Authors: Edwin Lughofer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.53329677986653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-label classification has attracted much attention in the machine
learning community to address the problem of assigning single samples to more
than one class at the same time. We propose an evolving multi-label fuzzy
classifier (EFC-ML) which is able to self-adapt and self-evolve its structure
with new incoming multi-label samples in an incremental, single-pass manner. It
is based on a multi-output Takagi-Sugeno type architecture, where for each
class a separate consequent hyper-plane is defined. The learning procedure
embeds a locally weighted incremental correlation-based algorithm combined with
(conventional) recursive fuzzily weighted least squares and Lasso-based
regularization. The correlation-based part ensures that the interrelations
between class labels, a specific well-known property in multi-label
classification for improved performance, are preserved properly; the
Lasso-based regularization reduces the curse of dimensionality effects in the
case of a higher number of inputs. Antecedent learning is achieved by
product-space clustering and conducted for all class labels together, which
yields a single rule base, allowing a compact knowledge view. Furthermore, our
approach comes with an online active learning (AL) strategy for updating the
classifier on just a number of selected samples, which in turn makes the
approach applicable for scarcely labelled streams in applications, where the
annotation effort is typically expensive. Our approach was evaluated on several
data sets from the MULAN repository and showed significantly improved
classification accuracy compared to (evolving) one-versus-rest or classifier
chaining concepts. A significant result was that, due to the online AL method,
a 90\% reduction in the number of samples used for classifier updates had
little effect on the accumulated accuracy trend lines compared to a full update
in most data set cases.
- Abstract（参考訳）: 複数ラベルの分類は、複数のクラスに単一のサンプルを同時に割り当てる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。
これは多出力のタカギ・スジェノ型アーキテクチャに基づいており、各クラスごとに別の連続超平面が定義される。
学習手順は局所的に重み付けされた漸進的相関に基づくアルゴリズムと(従来の)再帰的ファジィ重み付き最小二乗法とラッソベースの正規化を組み込む。
相関に基づく部は、性能向上のための多ラベル分類において特によく知られているクラスラベル間の相互関係を適切に保存し、より多くの入力の場合の次元効果の呪いを軽減する。
先行学習は、積空間クラスタリングによって達成され、すべてのクラスラベルを合わせて実行され、単一のルールベースとなり、コンパクトな知識ビューを可能にする。
さらに、オンラインアクティブラーニング(al)戦略では、選択したサンプル数で分類器を更新することにより、アノテーションの労力が一般的に高価であるアプリケーション内のラベル付きストリームに適用できる。
提案手法は,mulanリポジトリのいくつかのデータセット上で評価され,(進化) one-versus-rest や classifier chaining の概念と比較して,分類精度が有意に向上した。
オンライン al 法により,分類器更新に用いるサンプル数の 90 % 削減が,データ集合の場合の完全更新に比べ,累積精度の傾向線に対してほとんど影響を及ぼさなかった。
関連論文リスト
- Label Cluster Chains for Multi-Label Classification [2.072831155509228]
マルチラベル分類は、複数のラベルをインスタンスに同時に割り当てることができる教師付き機械学習の一種である。
そこで本稿では,ラベル空間に分割法を適用して得られた解離相関ラベルクラスタをチェーンする手法を提案する。
提案手法は,学習と連鎖が相関するラベルクラスタをよりよく探索し,ラベル相関を学習できることを示唆する。
論文 参考訳（メタデータ） (2024-11-01T11:16:37Z) - Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。
既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。
本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-09T13:26:21Z) - 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) - 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) - Self-Training: A Survey [5.772546394254112]
半教師付きアルゴリズムは、ラベル付き観測の小さなセットとラベルなし観測の大きなセットから予測関数を学習することを目的としている。
近年,自己学習手法が注目されていることは確かである。
本稿では,バイナリクラスとマルチクラス分類のための自己学習手法と,その変種と関連する2つのアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-24T11:40:44Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳（メタデータ） (2021-10-22T01:55:01Z) - 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) - Improved Multi-label Classification with Frequent Label-set Mining and
Association [14.150518141172434]
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。
論文 参考訳（メタデータ） (2021-09-22T15:36:46Z) - 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) - Global Multiclass Classification and Dataset Construction via
Heterogeneous Local Experts [37.27708297562079]
得られたデータセットの信頼性を確保しながら、ラベルの数を最小化する方法を示す。
MNISTとCIFAR-10データセットを用いた実験では、アグリゲーション方式の良好な精度が示されている。
論文 参考訳（メタデータ） (2020-05-21T18:07:42Z) - Federated Learning with Only Positive Labels [71.63836379169315]
FedAwS(Federated Averaging with Spreadout)という,正のラベルのみを用いたトレーニングのための汎用フレームワークを提案する。
理論的にも経験的にも、FedAwSは、ユーザが負のラベルにアクセス可能な従来の学習のパフォーマンスとほぼ一致していることを示す。
論文 参考訳（メタデータ） (2020-04-21T23:35:02Z)
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。