Fugu-MT 論文翻訳(概要): ICXML: An In-Context Learning Framework for Zero-Shot Extreme Multi-Label Classification

論文の概要: ICXML: An In-Context Learning Framework for Zero-Shot Extreme Multi-Label Classification

arxiv url: http://arxiv.org/abs/2311.09649v2
Date: Mon, 15 Apr 2024 13:16:46 GMT
ステータス: 処理完了
システム内更新日: 2024-04-17 23:55:11.796996
Title: ICXML: An In-Context Learning Framework for Zero-Shot Extreme Multi-Label Classification
Title（参考訳）: ICXML: ゼロショット極端のマルチラベル分類のためのコンテキスト学習フレームワーク
Authors: Yaxin Zhu, Hamed Zamani,
Abstract要約: 本稿では,非常に大きなラベル空間から各インスタンスの複数のラベルを予測することを目的とした,エクストリームマルチラベル分類(XMC)の課題に焦点を当てる。 In-Context Extreme Multilabel Learning (ICXML)という2段階のフレームワークを導入する。
参考スコア（独自算出の注目度）: 22.825115483590285
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper focuses on the task of Extreme Multi-Label Classification (XMC) whose goal is to predict multiple labels for each instance from an extremely large label space. While existing research has primarily focused on fully supervised XMC, real-world scenarios often lack supervision signals, highlighting the importance of zero-shot settings. Given the large label space, utilizing in-context learning approaches is not trivial. We address this issue by introducing In-Context Extreme Multilabel Learning (ICXML), a two-stage framework that cuts down the search space by generating a set of candidate labels through incontext learning and then reranks them. Extensive experiments suggest that ICXML advances the state of the art on two diverse public benchmarks.
Abstract（参考訳）: 本稿では,非常に大きなラベル空間から各インスタンスの複数のラベルを予測することを目的とした,エクストリームマルチラベル分類(XMC)の課題に焦点を当てる。既存の研究は、主に完全に監督されたXMCに焦点を当ててきたが、実世界のシナリオは監視信号が欠如しており、ゼロショット設定の重要性を強調している。大きなラベル空間を考えると、コンテキスト内学習アプローチを利用するのは簡単ではない。 In-Context Extreme Multilabel Learning (ICXML)という2段階のフレームワークを導入することでこの問題に対処する。大規模な実験は、ICXMLが2つの異なる公開ベンチマークで最先端を推し進めていることを示唆している。

関連論文リスト

Leveraging Label Semantics and Meta-Label Refinement for Multi-Label Question Classification [11.19022605804112]
本稿では,新手法RR2QCを多ラベル質問分類に適用する。ラベルセマンティクスとメタラベルの改良を使用して、パーソナライズされた学習とリソースレコメンデーションを強化する。実験の結果,RR2QCはPrecision@kとF1スコアの既存の分類方法よりも優れていた。
論文参考訳（メタデータ） (2024-11-04T06:27:14Z)
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)
UniDEC : Unified Dual Encoder and Classifier Training for Extreme Multi-Label Classification [42.36546066941635]
Extreme Multi-label Classification (XMC) は非常に大きなラベル空間から関連するラベルのサブセットを予測する。この研究は、デュアルエンコーダと分類器を同時に訓練する新しいエンドツーエンドのトレーニング可能なフレームワークであるUniDECを提案する。
論文参考訳（メタデータ） (2024-05-04T17:27:51Z)
X-Shot: A Unified System to Handle Frequent, Few-shot and Zero-shot Learning Simultaneously in Classification [51.07629536521054]
X-shot、freq-shot、 few-shot、zero-shotラベルが予め定義された制限なしに共起する現実世界のコンテキストを反映する。 Xショットは、オープンドメインの一般化と、さまざまなラベルシナリオを管理するのに十分なシステムを考案することに焦点を当てている。私たちの知る限りでは、これはX が可変のままである X-shot Learning に対処する最初の作業である。
論文参考訳（メタデータ） (2024-03-06T17:13:24Z)
Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文参考訳（メタデータ） (2023-05-22T04:50:28Z)
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)
A Survey on Extreme Multi-label Learning [72.8751573611815]
マルチラベル学習は、近年、学術分野と産業分野の両方から大きな注目を集めている。計算とメモリのオーバーヘッドのため、それらを非常に大きなラベル空間に直接適応することは不可能である。 eXtreme Multi-label Learning (XML)は重要なタスクとなり、多くの効果的なアプローチが提案されている。
論文参考訳（メタデータ） (2022-10-08T08:31:34Z)
Open Vocabulary Extreme Classification Using Generative Models [24.17018785195843]
極端なマルチラベル分類(XMC)タスクは、非常に大きなラベルセットからラベルのサブセットでコンテンツをタグ付けすることを目的としている。本稿では, ラベルの集合をフラットシーケンスとして生成し, 予測されたラベル順序に依存しない新たな損失を用いて訓練する GROOV を提案する。提案手法の有効性を実証し,GROOVが与えられた語彙の外で有意なラベルを予測できるようなXMCデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2022-05-12T00:33:49Z)
Extreme Zero-Shot Learning for Extreme Text Classification [80.95271050744624]
極端ゼロショットXMC (EZ-XMC) とフーショットXMC (FS-XMC) について検討した。自己教師付きコントラスト損失のあるトランスフォーマーベースのエンコーダの事前訓練を提案する。我々は,多スケール適応クラスタリング,ラベル正規化,擬陽性ペアによる自己学習などの手法を用いて,生テキストを徹底的に活用する事前学習手法MACLRを開発した。
論文参考訳（メタデータ） (2021-12-16T06:06:42Z)
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)

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。