論文の概要: LabelCoRank: Revolutionizing Long Tail Multi-Label Classification with Co-Occurrence Reranking

• arxiv url: http://arxiv.org/abs/2503.07968v1
• Date: Tue, 11 Mar 2025 01:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:44:30.269550
• Title: LabelCoRank: Revolutionizing Long Tail Multi-Label Classification with Co-Occurrence Reranking
• Title（参考訳）: LabelCoRank: 共起によるロングテールマルチラベル分類の革新
• Authors: Yan Yan, Junyuan Liu, Bo-Wen Zhang,
• Abstract要約: 長い尾の課題は、より頻度の低いラベルを正確に分類することの難しさを持続的に引き起こしている。 本稿では、ランキング原理に触発された新しいアプローチであるLabelCoRankを紹介する。 LabelCoRankは、マルチラベルテキスト分類における長い尾の問題を効果的に緩和する。
• 参考スコア（独自算出の注目度）: 10.418399727644859
• License:
• Abstract: Motivation: Despite recent advancements in semantic representation driven by pre-trained and large-scale language models, addressing long tail challenges in multi-label text classification remains a significant issue. Long tail challenges have persistently posed difficulties in accurately classifying less frequent labels. Current approaches often focus on improving text semantics while neglecting the crucial role of label relationships. Results: This paper introduces LabelCoRank, a novel approach inspired by ranking principles. LabelCoRank leverages label co-occurrence relationships to refine initial label classifications through a dual-stage reranking process. The first stage uses initial classification results to form a preliminary ranking. In the second stage, a label co-occurrence matrix is utilized to rerank the preliminary results, enhancing the accuracy and relevance of the final classifications. By integrating the reranked label representations as additional text features, LabelCoRank effectively mitigates long tail issues in multi-labeltext classification. Experimental evaluations on popular datasets including MAG-CS, PubMed, and AAPD demonstrate the effectiveness and robustness of LabelCoRank.
• Abstract（参考訳）: モチベーション: 事前訓練された大規模言語モデルによる意味表現の最近の進歩にもかかわらず、マルチラベルテキスト分類における長い尾の課題に対処することは大きな問題である。 長い尾の課題は、より頻度の低いラベルを正確に分類することの難しさを持続的に引き起こしている。 現在のアプローチは、しばしば、ラベル関係の重要な役割を無視しながら、テキストセマンティクスの改善に焦点を当てている。 結果: ランク付け原理に触発された新しいアプローチである LabelCoRank を紹介した。 LabelCoRankはラベルの共起関係を利用して、デュアルステージのリランクプロセスを通じて初期ラベル分類を洗練する。 第1段階は、初期分類結果を使用して、予備ランキングを形成する。 第2段階では、ラベル共起行列を用いて予備結果を再評価し、最終分類の精度と妥当性を高める。 リランクされたラベル表現を追加のテキスト機能として統合することにより、LabelCoRankは、マルチラベルテキスト分類における長い尾の問題を効果的に緩和する。 MAG-CS、PubMed、AAPDなどの一般的なデータセットに対する実験的評価は、LabelCoRankの有効性と堅牢性を示している。

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)
• 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)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• 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 Classification with High-rank and High-order Label Correlations [62.39748565407201]
  従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。 本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。 12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2022-07-09T05:15:31Z)
• Label Semantic Aware Pre-training for Few-shot Text Classification [53.80908620663974]
  テキスト分類システムの一般化とデータ効率を向上させるために,ラベルセマンティック・アウェア事前学習(LSAP)を提案する。 LSAPは、ラベル付き文の2次事前学習を行うことにより、ラベルセマンティクスを事前学習された生成モデル(T5)に組み込む。
  論文  参考訳（メタデータ） (2022-04-14T17:33:34Z)
• Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning [6.1538971100140145]
  ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。 本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-06T12:26:14Z)
• 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)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。