論文の概要: Hoeffding adaptive trees for multi-label classification on data streams

• arxiv url: http://arxiv.org/abs/2410.20242v1
• Date: Sat, 26 Oct 2024 18:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:21:48.843150
• Title: Hoeffding adaptive trees for multi-label classification on data streams
• Title（参考訳）: データストリーム上の複数ラベル分類のためのホエフィング適応木
• Authors: Aurora Esteban, Alberto Cano, Amelia Zafra, Sebastián Ventura,
• Abstract要約: MLHAT(Multi-Label Hoeffding Adaptive Tree) 本稿では,MLHAT(Multi-Label Hoeffding Adaptive Tree)と呼ばれるマルチラベルデータストリーム分類手法を提案する。
• 参考スコア（独自算出の注目度）: 4.3998370660429655
• License:
• Abstract: Data stream learning is a very relevant paradigm because of the increasing real-world scenarios generating data at high velocities and in unbounded sequences. Stream learning aims at developing models that can process instances as they arrive, so models constantly adapt to new concepts and the temporal evolution in the stream. In multi-label data stream environments where instances have the peculiarity of belonging simultaneously to more than one class, the problem becomes even more complex and poses unique challenges such as different concept drifts impacting different labels at simultaneous or distinct times, higher class imbalance, or new labels emerging in the stream. This paper proposes a novel approach to multi-label data stream classification called Multi-Label Hoeffding Adaptive Tree (MLHAT). MLHAT leverages the Hoeffding adaptive tree to address these challenges by considering possible relations and label co-occurrences in the partitioning process of the decision tree, dynamically adapting the learner in each leaf node of the tree, and implementing a concept drift detector that can quickly detect and replace tree branches that are no longer performing well. The proposed approach is compared with other 18 online multi-label classifiers on 41 datasets. The results, validated with statistical analysis, show that MLHAT outperforms other state-of-the-art approaches in 12 well-known multi-label metrics.
• Abstract（参考訳）: データストリーム学習は、高速度および非バウンドシーケンスでデータを生成する実世界のシナリオの増加のため、非常に関連するパラダイムである。 ストリーム学習は、到着したインスタンスを処理できるモデルを開発することを目的としており、モデルは常に新しい概念とストリームの時間的進化に適応する。 インスタンスが複数のクラスに同時に属することの特異性を持つマルチラベルデータストリーム環境では、問題はさらに複雑になり、異なるコンセプトドリフトが異なるラベルに同時にあるいは異なるタイミングで影響し、より高いクラス不均衡、ストリームに出現する新しいラベルなど、ユニークな課題を引き起こす。 本稿では,MLHAT(Multi-Label Hoeffding Adaptive Tree)と呼ばれるマルチラベルデータストリーム分類手法を提案する。 MLHATはHoeffding適応木を利用して、決定木の分割過程における関係性やラベルの共起を考慮し、学習者を木の各葉ノードに動的に適応させ、もはや機能しない木の枝を素早く検出・置換できる概念ドリフト検出器を実装することで、これらの課題に対処する。 提案手法は、41データセット上の他の18のオンラインマルチラベル分類器と比較される。 統計解析を用いて検証した結果、MLHATは12の有名なマルチラベルメトリクスにおいて、他の最先端のアプローチよりも優れていることが示された。

関連論文リスト

• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Dynamic Correlation Learning and Regularization for Multi-Label Confidence Calibration [60.95748658638956]
  本稿では,多ラベルシナリオにおける信頼度を適切に評価することを目的としたマルチラベル信頼性タスクを提案する。 既存のシングルラベルキャリブレーション手法では、セマンティックな混乱に対処するために欠かせないカテゴリ相関を考慮できない。 本稿では,多粒度セマンティック相関を利用した動的相関学習と正規化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-09T13:26:21Z)
• An Effective-Efficient Approach for Dense Multi-Label Action Detection [23.100602876056165]
  i)時間的依存関係と(ii)共起行動関係を同時に学習する必要がある。 近年のアプローチは階層型トランスフォーマーネットワークによるマルチスケール特徴抽出による時間情報のモデル化である。 我々はこれを階層設計における複数のサブサンプリングプロセスと組み合わせることで、位置情報のさらなる喪失につながると論じている。
  論文  参考訳（メタデータ） (2024-06-10T11:33:34Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Autoencoder Based Iterative Modeling and Multivariate Time-Series Subsequence Clustering Algorithm [0.0]
  本稿では、過渡時系列データ(MTSD)における変化点の検出と対応する部分列の同定のためのアルゴリズムを提案する。 我々は、リカレントニューラルネットワーク(RNN)ベースのオートエンコーダ(AE)を用いて、入ってくるデータに基づいて反復的に訓練する。 同定されたサブシーケンスのモデルを保存し、繰り返しサブシーケンスの認識と高速オフラインクラスタリングに使用する。
  論文  参考訳（メタデータ） (2022-09-09T09:59:56Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Evolving Multi-Label Fuzzy Classifier [5.53329677986653]
  マルチラベル分類は、同時に複数のクラスに1つのサンプルを割り当てるという問題に対処するために、機械学習コミュニティで多くの注目を集めている。 本稿では,新たなマルチラベルサンプルをインクリメンタルかつシングルパスで自己適応・自己展開可能な多ラベルファジィ分類器(EFC-ML)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T08:01:03Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
  本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。 提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
  論文  参考訳（メタデータ） (2021-10-09T00:00:16Z)
• Multi-label Stream Classification with Self-Organizing Maps [2.055054374525828]
  ラベルを無限に遅延させたマルチラベルストリーム分類のための自己組織化マップに基づくオンラインインクリメンタル手法を提案する。 分類段階では、k-アネレス近傍の戦略を用いて、地図の勝利したニューロンを計算する。 我々は,各インスタンスのラベルをベイズ則と各ニューロンの出力を用いて予測し,ストリーム内のクラスの確率と条件付き確率に適応する。
  論文  参考訳（メタデータ） (2020-04-20T15:52:38Z)

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。