論文の概要: Multi-Label Feature Selection Using Adaptive and Transformed Relevance

• arxiv url: http://arxiv.org/abs/2309.14768v1
• Date: Tue, 26 Sep 2023 09:01:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 14:22:53.120581
• Title: Multi-Label Feature Selection Using Adaptive and Transformed Relevance
• Title（参考訳）: Adaptive and Transformed Relevance を用いたマルチラベル特徴選択
• Authors: Sadegh Eskandari, Sahar Ghassabi
• Abstract要約: 本稿では,ATRと呼ばれる情報理論に基づく新しい多ラベル特徴選択手法を提案する。 ATRは、個々のラベルと抽象的なラベル空間の識別能力を考慮している。 提案実験は,広範囲な特徴空間とラベル空間を特徴とするベンチマークにおけるATRのスケーラビリティを実証するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-label learning has emerged as a crucial paradigm in data analysis, addressing scenarios where instances are associated with multiple class labels simultaneously. With the growing prevalence of multi-label data across diverse applications, such as text and image classification, the significance of multi-label feature selection has become increasingly evident. This paper presents a novel information-theoretical filter-based multi-label feature selection, called ATR, with a new heuristic function. Incorporating a combinations of algorithm adaptation and problem transformation approaches, ATR ranks features considering individual labels as well as abstract label space discriminative powers. Our experimental studies encompass twelve benchmarks spanning various domains, demonstrating the superiority of our approach over ten state-of-the-art information-theoretical filter-based multi-label feature selection methods across six evaluation metrics. Furthermore, our experiments affirm the scalability of ATR for benchmarks characterized by extensive feature and label spaces. The codes are available at https://github.com/Sadegh28/ATR
• Abstract（参考訳）: マルチラベル学習はデータ分析において重要なパラダイムとして現れ,複数のクラスラベルを同時に関連付けるシナリオに対処している。 テキストや画像分類などの多様なアプリケーションにわたるマルチラベルデータの普及に伴い,マルチラベル特徴の選択の重要性がますます高まっている。 本稿では,新たなヒューリスティック関数を持つ新しい情報理論的フィルタに基づくマルチラベル特徴選択atrを提案する。 ATRはアルゴリズム適応と問題変換のアプローチを組み合わせることで、個々のラベルと抽象的なラベル空間の識別能力を考慮した特徴をランク付けする。 実験では,様々な領域にまたがる12のベンチマークを包含し,6つの評価指標にまたがる10の最先端情報理論に基づくマルチラベル特徴選択手法の優位性を実証した。 さらに,我々の実験は,広範な特徴空間とラベル空間を特徴とするベンチマークにおけるATRのスケーラビリティを実証した。 コードはhttps://github.com/sadegh28/atrで入手できる。

関連論文リスト

• Showing Many Labels in Multi-label Classification Models: An Empirical Study of Adversarial Examples [1.7736843172485701]
  我々は、"Showing Many Labels"と呼ばれる新しいタイプの攻撃を導入する。 Showing Many Labels" では、反復攻撃はワンステップ攻撃よりもはるかに優れている。 データセット内のすべてのラベルを表示することができる。
  論文  参考訳（メタデータ） (2024-09-26T06:31:31Z)
• Exploiting Conjugate Label Information for Multi-Instance Partial-Label Learning [61.00359941983515]
  MIPL(Multi-instance partial-label Learning)は、各トレーニングサンプルが1つの真のラベルといくつかの偽陽性を含む候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現されるシナリオに対処する。 ELIMIPLは共役ラベル情報を利用して曖昧性を改善する。
  論文  参考訳（メタデータ） (2024-08-26T15:49:31Z)
• Embedded Multi-label Feature Selection via Orthogonal Regression [45.55795914923279]
  少なくとも2乗回帰に基づく最先端の組込みマルチラベル特徴選択アルゴリズムは、マルチラベルデータに十分な識別情報を保存できない。 複数ラベルの特徴選択を容易にするために, 組込み多ラベル特徴選択法を提案する。 10個の多ラベルデータセットの大規模な実験結果から,GRROORの有効性が示された。
  論文  参考訳（メタデータ） (2024-03-01T06:18:40Z)
• 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)
• Adopting the Multi-answer Questioning Task with an Auxiliary Metric for Extreme Multi-label Text Classification Utilizing the Label Hierarchy [10.87653109398961]
  本稿では,過度なマルチラベル分類のための複数問合せタスクを採用する。 本研究では,提案手法と評価基準を法域に適用する。
  論文  参考訳（メタデータ） (2023-03-02T08:40:31Z)
• Exploiting Diversity of Unlabeled Data for Label-Efficient Semi-Supervised Active Learning [57.436224561482966]
  アクティブラーニング(英: Active Learning)は、ラベリングのための最も重要なサンプルを選択することで、高価なラベリングの問題に対処する研究分野である。 アクティブな学習環境における初期ラベル付けのための最も情報性の高いサンプル群を選択するために,多様性に基づく新しい初期データセット選択アルゴリズムを提案する。 また、一貫性に基づく埋め込みの多様性に基づくサンプリングを用いた、新しいアクティブな学習クエリ戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-25T16:11:55Z)
• 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)

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。