論文の概要: A Three-phase Augmented Classifiers Chain Approach Based on Co-occurrence Analysis for Multi-Label Classification

• arxiv url: http://arxiv.org/abs/2204.06138v1
• Date: Wed, 13 Apr 2022 02:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 13:03:40.668410
• Title: A Three-phase Augmented Classifiers Chain Approach Based on Co-occurrence Analysis for Multi-Label Classification
• Title（参考訳）: マルチラベル分類のための共起解析に基づく三相増分法チェインアプローチ
• Authors: Gao Pengfei, Lai Dedi, Zhao Lijiao, Liang Yue, Ma Yinglong
• Abstract要約: 既存のChainsメソッドは、ラベル空間の基盤となる依存性をモデル化し、利用するのは難しい。 マルチラベル分類のための共起解析に基づく3相拡張チェイン手法を提案する。
• 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: As a very popular multi-label classification method, Classifiers Chain has recently been widely applied to many multi-label classification tasks. However, existing Classifier Chains methods are difficult to model and exploit the underlying dependency in the label space, and often suffer from the problems of poorly ordered chain and error propagation. In this paper, we present a three-phase augmented Classifier Chains approach based on co-occurrence analysis for multi-label classification. First, we propose a co-occurrence matrix method to model the underlying correlations between a label and its precedents and further determine the head labels of a chain. Second, we propose two augmented strategies of optimizing the order of labels of a chain to approximate the underlying label correlations in label space, including Greedy Order Classifier Chain and Trigram Order Classifier Chain. Extensive experiments were made over six benchmark datasets, and the experimental results show that the proposed augmented CC approaches can significantly improve the performance of multi-label classification in comparison with CC and its popular variants of Classifier Chains, in particular maintaining lower computational costs while achieving superior performance.
• Abstract（参考訳）: 非常に一般的なマルチラベル分類法として、近年、多くのマルチラベル分類タスクに分類チェインが広く適用されている。 しかし、既存の分類器チェーンメソッドはラベル空間の基盤となる依存関係をモデル化し、利用するのが難しく、多くの場合、順序の悪いチェーンとエラーの伝播の問題に苦しむ。 本稿では,マルチラベル分類のための共起解析に基づく3相拡張型分類器チェーンアプローチを提案する。 まず,ラベルとその前駆体との相関関係をモデル化し,さらにチェーンのヘッドラベルを決定するための共起行列法を提案する。 次に,ラベル空間におけるラベル相関を近似するために,鎖のラベルの順序を最適化する2つの拡張戦略を提案する。 6つのベンチマークデータセットに対して大規模な実験を行い,提案した改良CC手法により,CCと一般的な分類器チェーンの多ラベル分類の性能を著しく向上し,特に計算コストの低減を図り,優れた性能を達成できることを示した。

関連論文リスト

• Classifier Chain Networks for Multi-Label Classification [0.0]
  分類器チェーンは、多ラベルデータセットを解析するのに広く用いられる手法である。 連鎖の一般化として,分類器チェーンネットワークを導入する。
  論文  参考訳（メタデータ） (2024-11-04T21:56:13Z)
• 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)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• 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)
• Multi-label Classification with High-rank and High-order Label Correlations [62.39748565407201]
  従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。 本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。 12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2022-07-09T05:15:31Z)
• 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)
• Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
  スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。 強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
  論文  参考訳（メタデータ） (2021-02-02T13:46:58Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
  マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。 ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。 本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
  論文  参考訳（メタデータ） (2020-07-22T18:13:12Z)
• 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)

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。