Fugu-MT 論文翻訳(概要): Recent Advances in Hierarchical Multi-label Text Classification: A Survey

論文の概要: Recent Advances in Hierarchical Multi-label Text Classification: A Survey

arxiv url: http://arxiv.org/abs/2307.16265v1
Date: Sun, 30 Jul 2023 16:13:00 GMT
ステータス: 処理完了
システム内更新日: 2023-08-01 16:36:21.470095
Title: Recent Advances in Hierarchical Multi-label Text Classification: A Survey
Title（参考訳）: 階層型マルチラベルテキスト分類の最近の進歩:調査
Authors: Rundong Liu, Wenhan Liang, Weijun Luo, Yuxiang Song, He Zhang, Ruohua Xu, Yunfeng Li, Ming Liu
Abstract要約: 階層的マルチラベルテキスト分類は、入力されたテキストを複数のラベルに分類することを目的としており、その中にラベルが構造化され階層的である。これは、科学文献のアーカイブなど、多くの現実世界の応用において重要なタスクである。
参考スコア（独自算出の注目度）: 11.709847202580505
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hierarchical multi-label text classification aims to classify the input text into multiple labels, among which the labels are structured and hierarchical. It is a vital task in many real world applications, e.g. scientific literature archiving. In this paper, we survey the recent progress of hierarchical multi-label text classification, including the open sourced data sets, the main methods, evaluation metrics, learning strategies and the current challenges. A few future research directions are also listed for community to further improve this field.
Abstract（参考訳）: 階層型マルチラベルテキスト分類は、入力テキストを複数のラベルに分類することを目的としている。これは、科学文献のアーカイブなど、多くの現実世界の応用において重要なタスクである。本稿では,オープンソースデータセット,主要手法,評価指標,学習戦略,現在の課題などを含む階層型マルチラベルテキスト分類の最近の進歩について調査する。今後の研究の方向性も、この分野をさらに改善するためにリストアップされている。

関連論文リスト

Open-world Multi-label Text Classification with Extremely Weak Supervision [30.85235057480158]
極弱監督(XWS)下でのオープンワールドマルチラベルテキスト分類について検討する。まず、ユーザ記述を利用して、原文書のサブセットのキーフレーズに対して大きな言語モデル(LLM)をプロンプトし、クラスタリングによりラベル空間を構築する。次に、ゼロショットのマルチラベル分類器を適用して、予測スコアが小さい文書を見つけることで、より長いテールラベルに対する主要なキーフレーズを再検討する。 X-MLClassは、様々なデータセットにおいて、地平線ラベルの空間カバレッジが顕著に増加している。
論文参考訳（メタデータ） (2024-07-08T04:52:49Z)
Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
論文参考訳（メタデータ） (2023-03-23T12:39:20Z)
Hierarchical Multi-Label Classification of Scientific Documents [47.293189105900524]
我々はSciHTCと呼ばれる科学論文の階層的多ラベルテキスト分類のための新しいデータセットを提案する。このデータセットは、ACM CCSツリーから186,160の論文と1,233のカテゴリを含んでいる。我々の最良のモデルでは、マクロF1スコアが34.57%に達し、このデータセットが大きな研究機会を提供することを示す。
論文参考訳（メタデータ） (2022-11-05T04:12:57Z)
Many-Class Text Classification with Matching [65.74328417321738]
textbfText textbfClassification をテキストとラベル間のtextbfMatching 問題として定式化し,TCM というシンプルなフレームワークを提案する。従来のテキスト分類手法と比較して、TCMは分類ラベルのきめ細かい意味情報を活用している。
論文参考訳（メタデータ） (2022-05-23T15:51:19Z)
Academic Resource Text Level Multi-label Classification based on Attention [16.71166207897885]
階層的多ラベル学術テキスト分類(Hierarchical Multi-label academic text classification, HMTC)は、学術テキストを階層的に構造化されたラベリングシステムに割り当てることである。本稿では,テキスト,キーワード,階層構造などの特徴を統合することで,学術テキスト(AHMCA)の注目に基づく階層的多言語分類アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-21T05:32:35Z)
MotifClass: Weakly Supervised Text Classification with Higher-order Metadata Information [47.44278057062421]
そこで本研究では,テキスト文書をカテゴリ表面名のみを持つ事前定義されたカテゴリの集合に分類することを目的とした,弱教師付きテキスト分類の問題について検討する。具体的には、異種情報ネットワークを介して文書とメタデータの関係をモデル化する。そこで我々は,カテゴリ名と指示モチーフインスタンスに基づいて,カテゴリ適応モチーフインスタンスを選択し,擬似ラベル付きトレーニングサンプルを検索し,生成する,MotifClassという新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-11-07T07:39:10Z)
Expert Knowledge-Guided Length-Variant Hierarchical Label Generation for Proposal Classification [21.190465278587045]
提案分類は、提案をラベルの長さ可変シーケンスに分類することを目的としている。我々は3つの特徴を共同でモデル化する新しいディーププロポーザル分類フレームワークを開発した。我々のモデルは,次のラベル予測を止めるために,ラベルシーケンスの最適な長さを自動的に識別することができる。
論文参考訳（メタデータ） (2021-09-14T13:09:28Z)
MATCH: Metadata-Aware Text Classification in A Large Hierarchy [60.59183151617578]
MATCHはメタデータと階層情報の両方を利用するエンドツーエンドのフレームワークである。親による各子ラベルのパラメータと出力確率を正規化するさまざまな方法を提案します。大規模なラベル階層を持つ2つの大規模なテキストデータセットの実験は、MATCHの有効性を示しています。
論文参考訳（メタデータ） (2021-02-15T05:23:08Z)
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)

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。