Fugu-MT 論文翻訳(概要): Class-Incremental Lifelong Learning in Multi-Label Classification

論文の概要: Class-Incremental Lifelong Learning in Multi-Label Classification

arxiv url: http://arxiv.org/abs/2207.07840v1
Date: Sat, 16 Jul 2022 05:14:07 GMT
ステータス: 処理完了
システム内更新日: 2022-07-19 15:04:47.513277
Title: Class-Incremental Lifelong Learning in Multi-Label Classification
Title（参考訳）: マルチラベル分類における生涯学習
Authors: Kaile Du, Linyan Li, Fan Lyu, Fuyuan Hu, Zhenping Xia, Fenglei Xu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.711485819097916
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Existing class-incremental lifelong learning studies only the data is with single-label, which limits its adaptation to multi-label data. This paper studies Lifelong Multi-Label (LML) classification, which builds an online class-incremental classifier in a sequential multi-label classification data stream. Training on the data with Partial Labels in LML classification may result in more serious Catastrophic Forgetting in old classes. To solve the problem, the study proposes an Augmented Graph Convolutional Network (AGCN) with a built Augmented Correlation Matrix (ACM) across sequential partial-label tasks. The results of two benchmarks show that the method is effective for LML classification and reducing forgetting.
Abstract（参考訳）: 既存のクラスインクリメンタルな生涯学習研究は、データのみがシングルラベルであり、マルチラベルデータへの適応を制限する。本稿では,シーケンシャルなマルチラベル分類データストリームにオンラインクラスインクリメンタル分類器を構築するlml分類について検討する。 LML分類における部分ラベルを用いたデータのトレーニングは、古いクラスにおいてより深刻な破滅的なフォーミングをもたらす可能性がある。そこで本研究では,逐次部分ラベルタスク間の拡張相関行列(acm)を用いた拡張グラフ畳み込みネットワーク(agcn)を提案する。 2つのベンチマークの結果から,LML分類に有効であることを示す。

関連論文リスト

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)
Multi-Label Continual Learning using Augmented Graph Convolutional Network [7.115602040521868]
Multi-Label Continual Learningは、シーケンシャルなマルチラベル画像認識データストリームにクラスインクリメンタルフレームワークを構築する。この研究は、MLCLにおけるクロスタスクラベル関係を構築することができるAGCN++(Augmented Graph Convolutional Network)を提案する。提案手法は2つのマルチラベル画像ベンチマークを用いて評価する。
論文参考訳（メタデータ） (2022-11-27T08:40:19Z)
PercentMatch: Percentile-based Dynamic Thresholding for Multi-Label Semi-Supervised Classification [64.39761523935613]
トレーニング中の各クラスに対する正と負の擬似ラベルのスコア閾値を動的に変更するためのパーセンタイルベースのしきい値調整手法を提案する。近年のSSL方式と比較して, Pascal VOC2007 と MS-COCO のデータセットの性能は高い。
論文参考訳（メタデータ） (2022-08-30T01:27:48Z)
Decision Making for Hierarchical Multi-label Classification with Multidimensional Local Precision Rate [4.812468844362369]
我々は,各クラスの各対象に対して,多次元局所精度率 (mLPR) と呼ばれる新しい統計モデルを導入する。我々は,mLPRの下位順序でクラス間でオブジェクトをソートするだけで,クラス階層を確実にすることができることを示す。これに対し、階層を尊重しながら推定mLPRを用いてCATCHの実証バージョンを最大化する新しいアルゴリズムであるHierRankを導入する。
論文参考訳（メタデータ） (2022-05-16T17:43:35Z)
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)
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)
Multi-label Few/Zero-shot Learning with Knowledge Aggregated from Multiple Label Graphs [8.44680447457879]
本稿では,異なる意味的ラベル関係をコードする複数のラベルグラフから知識を融合する,シンプルな多グラフ集約モデルを提案する。本研究は,多グラフ知識集約を用いた手法が,少数・ゼロショットラベルのほとんどすべてにおいて,大幅な性能向上を実現していることを示す。
論文参考訳（メタデータ） (2020-10-15T01:15:43Z)
An Empirical Study on Large-Scale Multi-Label Text Classification Including Few and Zero-Shot Labels [49.036212158261215]
大規模なMulti-label Text Classification (LMTC) は、幅広い自然言語処理 (NLP) アプリケーションを持つ。 Label-Wise Attention Networks (LWANs) を用いた最新のLMTCモデル確率的ラベル木(PLT)に基づく階層的手法がLWANより優れていることを示す。 BERTとLWANを組み合わせた最先端手法を提案する。
論文参考訳（メタデータ） (2020-10-04T18:55:47Z)
Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。