Fugu-MT 論文翻訳(概要): On the Learnability of Multilabel Ranking

論文の概要: On the Learnability of Multilabel Ranking

arxiv url: http://arxiv.org/abs/2304.03337v2
Date: Thu, 25 May 2023 13:41:34 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 20:26:15.690953
Title: On the Learnability of Multilabel Ranking
Title（参考訳）: マルチラベルランキングの学習性について
Authors: Vinod Raman, Unique Subedi, Ambuj Tewari
Abstract要約: バッチおよびオンライン設定の両方において、複数ラベルランキング問題の学習性の特徴付けを行う。学習可能性に基づく2つの等級のランキング損失を与えるが、これらは実際に使用される損失のほとんどを捉えている。
参考スコア（独自算出の注目度）: 17.11922027966447
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multilabel ranking is a central task in machine learning. However, the most fundamental question of learnability in a multilabel ranking setting with relevance-score feedback remains unanswered. In this work, we characterize the learnability of multilabel ranking problems in both batch and online settings for a large family of ranking losses. Along the way, we give two equivalence classes of ranking losses based on learnability that capture most, if not all, losses used in practice.
Abstract（参考訳）: マルチラベルランキングは機械学習における中心的なタスクである。しかし、関連スコアフィードバックによる複数ラベルランキング設定における学習可能性に関する最も根本的な疑問は未解決のままである。本研究では,大規模ランキングの損失に対して,バッチおよびオンライン設定の両方において,複数ラベルランキング問題の学習可能性を示す。その過程で私たちは、学習能力に基づいたランキングロスの2つの同値クラスを与えます。

関連論文リスト

Learning when to rank: Estimation of partial rankings from sparse, noisy comparisons [0.0]
偏位を学習するための原理的ベイズ手法を開発した。我々の枠組みはいかなる統計的ランキング法にも適応できる。従来のランキングよりも、データの微妙な要約が提供される。
論文参考訳（メタデータ） (2025-01-05T11:04:30Z)
Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
論文参考訳（メタデータ） (2024-11-27T20:20:06Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Multi-Label Knowledge Distillation [86.03990467785312]
本稿では,新しい多ラベル知識蒸留法を提案する。一方、マルチラベル学習問題をバイナリ分類問題に分割することにより、ロジットからの情報的意味知識を利用する。一方,ラベルワイド埋め込みの構造情報を活用することにより,学習した特徴表現の識別性を向上する。
論文参考訳（メタデータ） (2023-08-12T03:19:08Z)
Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
論文参考訳（メタデータ） (2023-03-30T03:09:25Z)
RLSEP: Learning Label Ranks for Multi-label Classification [0.0]
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。
論文参考訳（メタデータ） (2022-12-08T00:59:09Z)
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)
PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文参考訳（メタデータ） (2020-12-12T05:07:36Z)
Learning Gradient Boosted Multi-label Classification Rules [4.842945656927122]
本稿では,分解不能な損失関数だけでなく,分解不能な損失関数を最小化できる多ラベル分類規則の学習アルゴリズムを提案する。我々は,合成データに対するアプローチの能力と限界を分析し,その予測性能をマルチラベルベンチマークで評価する。
論文参考訳（メタデータ） (2020-06-23T21:39:23Z)
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)
Deep Attentive Ranking Networks for Learning to Order Sentences [31.70737249775046]
本稿では,1段落の文の順序付けを学習するための注意に基づく格付けフレームワークを提案する。本フレームワークは,双方向文エンコーダと自己認識型トランスフォーマネットワーク上に構築されている。ポイントワイド、ペアワイド、リストワイドランキングなど、さまざまなランキングベースの損失関数を使用したシームレスなトレーニングを可能にする。
論文参考訳（メタデータ） (2019-12-31T19:54:27Z)

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。