Fugu-MT 論文翻訳(概要): Tree Methods for Hierarchical Classification in Parallel

論文の概要: Tree Methods for Hierarchical Classification in Parallel

arxiv url: http://arxiv.org/abs/2209.10288v1
Date: Wed, 21 Sep 2022 12:03:49 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 15:33:19.851812
Title: Tree Methods for Hierarchical Classification in Parallel
Title（参考訳）: 並列階層分類のための木手法
Authors: Franz A. Heinsen
Abstract要約: 本稿では,効率的な階層分類を実現する手法を提案する。我々は,WordNet 3.0にすべての英語構文を組み込んだ木を用いて,本手法を実装し,現在のハードウェアアクセラレータ上でテストする。スコアとラベルのバッチをそれぞれの祖先のパスに変換し、無視可能な計算を行い、データフットプリント上で一定の0.04GBのメモリしか消費しない。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose methods that enable efficient hierarchical classification in parallel. Our methods transform a batch of classification scores and labels, corresponding to given nodes in a semantic tree, to scores and labels corresponding to all nodes in the ancestral paths going down the tree to every given node, relying only on tensor operations that execute efficiently on hardware accelerators. We implement our methods and test them on current hardware accelerators with a tree incorporating all English-language synsets in WordNet 3.0, spanning 117,659 classes in 20 levels of depth. We transform batches of scores and labels to their respective ancestral paths, incurring negligible computation and consuming only a fixed 0.04GB of memory over the footprint of data.
Abstract（参考訳）: 本稿では,効率的な階層分類を実現する手法を提案する。本手法は,セマンティクスツリー内の与えられたノードに対応する分類スコアとラベルのバッチを,ハードウェアアクセラレータ上で効率的に実行されるテンソル操作のみに依存して,ツリーを下る祖先パスのすべてのノードに対応するスコアとラベルに変換する。我々は,WordNet 3.0にすべての英語構文を組み込んだ現行のハードウェアアクセラレータ上で,17,659のクラスを20レベルの深さでテストする。スコアとラベルのバッチをそれぞれの祖先パスに変換し、無視可能な計算を行い、データのフットプリントに対して0.04gbの固定メモリしか消費しない。

関連論文リスト

Learning a Decision Tree Algorithm with Transformers [75.96920867382859]
メタ学習によってトレーニングされたトランスフォーマーベースのモデルであるMetaTreeを導入し、強力な決定木を直接生成する。我々は、多くのデータセットに欲求決定木とグローバルに最適化された決定木の両方を適合させ、MetaTreeを訓練して、強力な一般化性能を実現する木のみを生成する。
論文参考訳（メタデータ） (2024-02-06T07:40:53Z)
Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
論文参考訳（メタデータ） (2023-06-27T02:22:45Z)
Label-Enhanced Graph Neural Network for Semi-supervised Node Classification [32.64730237473914]
グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
論文参考訳（メタデータ） (2022-05-31T09:48:47Z)
Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation [141.16965264264195]
Sparsely Annotated semantic segmentation (SASS) は、粗い粒度の監督によるセグメンテーションネットワークのトレーニングを目的としている。ラベルなし画素のセマンティックガイダンスを提供することにより,SASSの新たなツリーエネルギー損失を提案する。
論文参考訳（メタデータ） (2022-03-21T05:16:23Z)
NodePiece: Compositional and Parameter-Efficient Representations of Large Knowledge Graphs [15.289356276538662]
固定サイズのエンティティ語彙を学習するためのアンカーベースのアプローチであるNodePieceを提案する。 NodePieceでは、サブワード/サブエンティティユニットの語彙は、既知の関係型を持つグラフのアンカーノードから構築される。実験の結果、NodePieceはノード分類、リンク予測、関係予測タスクで競合的に動作していることがわかった。
論文参考訳（メタデータ） (2021-06-23T03:51:03Z)
Probabilistic Label Trees for Extreme Multi-label Classification [8.347190888362194]
極端なマルチラベル分類(XMLC)の問題は,木としてラベルを整理することで効率的に処理される。 PLTは多ラベル問題に対する階層的ソフトマックスの一般化として扱うことができる。このモデルを導入し、トレーニングと推論手順とその計算コストについて論じる。完全にオンラインのアルゴリズムと木構造を持つアルゴリズムとの間には,特定の等価性があることを実証する。
論文参考訳（メタデータ） (2020-09-23T15:30:00Z)
Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
論文参考訳（メタデータ） (2020-09-12T17:36:53Z)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)
The Tree Ensemble Layer: Differentiability meets Conditional Computation [8.40843862024745]
我々は、異なる決定木(ソフトツリー)のアンサンブルからなるニューラルネットワークのための新しいレイヤを導入する。異なる木は文学において有望な結果を示すが、典型的には条件計算をサポートしないため、訓練と推論が遅い。我々は、空間性を利用する特殊前方及び後方伝播アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-02-18T18:05:31Z)
Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。