論文の概要: RLSEP: Learning Label Ranks for Multi-label Classification

• arxiv url: http://arxiv.org/abs/2212.04022v1
• Date: Thu, 8 Dec 2022 00:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 14:56:59.583587
• Title: RLSEP: Learning Label Ranks for Multi-label Classification
• Title（参考訳）: rlsep: マルチラベル分類のための学習ラベルランク
• Authors: Emine Dari, V. Bugra Yesilkaynak, Alican Mertan and Gozde Unal
• Abstract要約: マルチラベルランキングは、複数の可能なクラスの予測ラベルのランキングにインスタンスをマップする。 不正なランク付けペアに対するペナルティを組み込んだモデル最適化のための,新たな専用損失関数を提案する。 提案手法は,合成および実世界のランク付けされたデータセットについて,最も優れた評価結果を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-label ranking maps instances to a ranked set of predicted labels from multiple possible classes. The ranking approach for multi-label learning problems received attention for its success in multi-label classification, with one of the well-known approaches being pairwise label ranking. However, most existing methods assume that only partial information about the preference relation is known, which is inferred from the partition of labels into a positive and negative set, then treat labels with equal importance. In this paper, we focus on the unique challenge of ranking when the order of the true label set is provided. We propose a novel dedicated loss function to optimize models by incorporating penalties for incorrectly ranked pairs, and make use of the ranking information present in the input. Our method achieves the best reported performance measures on both synthetic and real world ranked datasets and shows improvements on overall ranking of labels. Our experimental results demonstrate that our approach is generalizable to a variety of multi-label classification and ranking tasks, while revealing a calibration towards a certain ranking ordering.
• Abstract（参考訳）: マルチラベルランキングは、複数の可能なクラスの予測ラベルのランキングにインスタンスをマップする。 多ラベル学習問題のランク付けアプローチは、多ラベル分類の成功に注目され、その1つがペアラベルランキングである。 しかし、既存のほとんどの手法は、ラベルの分割から正と負の集合に推定される嗜好関係に関する部分的な情報のみが知られていると仮定し、同じ重要性でラベルを扱います。 本稿では,真のラベルセットの順序が提供される場合に,ランキングの独特な課題に焦点を当てる。 本稿では,不正なランク付けペアに対するペナルティを組み込んだモデル最適化のための専用損失関数を提案し,入力に含まれるランキング情報を利用する。 提案手法は, 合成と実世界の両方のランキングデータに対して, 最高の評価基準を達成し, ラベルの総合ランキングの改善を示す。 実験結果から,本手法は多ラベル分類やランキングタスクに一般化可能であるとともに,特定のランキングオーダに対するキャリブレーションも示している。

関連論文リスト

• Online Multi-Label Classification under Noisy and Changing Label Distribution [9.17381554071824]
  本稿では,Nuisy and Changing Label Distribution (NCLD) に基づくオンラインマルチラベル分類アルゴリズムを提案する。 NCLDへの頑健さは3つの新作の恩恵を受けるため,ラベルスコアとラベルランキングを高い精度で同時にモデル化することを目的としている。
  論文  参考訳（メタデータ） (2024-10-03T11:16:43Z)
• 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)
• GaussianMLR: Learning Implicit Class Significance via Calibrated Multi-Label Ranking [0.0]
  本稿では,ガウスMLRという新しい多ラベルランキング手法を提案する。 これは、正のラベルのランクを決定する暗黙のクラス重要性の値を学ぶことを目的としている。 提案手法は, 組み込まれた正のランク順の表現を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T14:09:08Z)
• 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)
• 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)
• 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)
• Multi-label Ranking: Mining Multi-label and Label Ranking Data [1.8275108630751844]
  従来のトランスフォーメーションと適応のカテゴリにはもはや当てはまらないので、ユニークな課題を強調し、メソッドを再分類します。 本研究は, 深層学習型マルチラベルマイニング, 極度なマルチラベル分類, ラベルランキングにおける最先端の手法に着目して, 過去10年間の開発状況を調査した。
  論文  参考訳（メタデータ） (2021-01-03T08:36:45Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• 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)
• 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)
• Improving Label Ranking Ensembles using Boosting Techniques [13.782477759025348]
  ブースティングはよく知られた信頼性の高いアンサンブル技術であり、他の学習アルゴリズムよりも優れていることがしばしば示された。 本稿では,ラベルランキングタスクに特化して設計されたブースティングアルゴリズムを提案する。 24の半合成および実世界のラベルランキングデータセットに対する提案アルゴリズムの広範な評価は、既存の最先端ラベルランキングアルゴリズムを著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2020-01-21T19:16:11Z)

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。