論文の概要: Graph Random Walk with Feature-Label Space Alignment: A Multi-Label Feature Selection Method

• arxiv url: http://arxiv.org/abs/2505.23228v1
• Date: Thu, 29 May 2025 08:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.758945
• Title: Graph Random Walk with Feature-Label Space Alignment: A Multi-Label Feature Selection Method
• Title（参考訳）: 特徴ラベル空間アライメントを用いたグラフランダムウォーク:多値特徴選択法
• Authors: Wanfu Gao, Jun Gao, Qingqi Han, Hanlin Pan, Kunpeng Liu,
• Abstract要約: 特徴次元の急速な成長は、多ラベルデータセットの特徴とラベルの間に暗黙の関連をもたらす可能性がある。 既存の手法では、しばしば低次元線形分解を用いて特徴とラベルの関係を探索する。 本稿では,特徴-特徴,ラベル-ラベル関係,特徴-ラベル関係を統合したランダムウォークグラフを含む革新的な解を提案する。
• 参考スコア（独自算出の注目度）: 6.529607327474487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth in feature dimension may introduce implicit associations between features and labels in multi-label datasets, making the relationships between features and labels increasingly complex. Moreover, existing methods often adopt low-dimensional linear decomposition to explore the associations between features and labels. However, linear decomposition struggles to capture complex nonlinear associations and may lead to misalignment between the feature space and the label space. To address these two critical challenges, we propose innovative solutions. First, we design a random walk graph that integrates feature-feature, label-label, and feature-label relationships to accurately capture nonlinear and implicit indirect associations, while optimizing the latent representations of associations between features and labels after low-rank decomposition. Second, we align the variable spaces by leveraging low-dimensional representation coefficients, while preserving the manifold structure between the original high-dimensional multi-label data and the low-dimensional representation space. Extensive experiments and ablation studies conducted on seven benchmark datasets and three representative datasets using various evaluation metrics demonstrate the superiority of the proposed method\footnote{Code: https://github.com/Heilong623/-GRW-}.
• Abstract（参考訳）: 特徴次元の急速な成長は、多ラベルデータセットにおける特徴とラベルの間の暗黙の関連を導入し、特徴とラベルの関係がますます複雑になる可能性がある。 さらに、既存の手法では、しばしば低次元線形分解を用いて特徴とラベルの関係を探索する。 しかし、線形分解は複雑な非線形関連を捉えるのに苦労し、特徴空間とラベル空間の間の不整合を引き起こす可能性がある。 これら2つの重要な課題に対処するため、我々は革新的な解決策を提案する。 まず,特徴・ラベル関係と特徴・ラベル関係を統合したランダム・ウォークグラフを設計し,非線形・暗黙的間接関係を正確に捉えるとともに,低階分解後の特徴・ラベル関係の潜在表現を最適化する。 第2に、低次元表現係数を利用して、元の高次元多ラベルデータと低次元表現空間の間の多様体構造を保ちながら、変数空間を整列する。 様々な評価指標を用いた7つのベンチマークデータセットと3つの代表的なデータセットを用いた大規模な実験とアブレーション研究は、提案手法の優位性を実証している。

関連論文リスト

• Semi-Supervised Multi-Label Feature Selection with Consistent Sparse Graph Learning [13.401566810844368]
  既存のマルチラベル手法では、十分なラベル付きサンプルなしでラベル相関を評価できない。 原特徴空間から直接導出される類似性グラフ構造は、多重ラベル問題に対する準最適である。 マルチラベル半教師付き特徴選択のための一貫したスパースグラフ学習法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T13:25:41Z)
• Multi-Label Contrastive Learning : A Comprehensive Study [48.81069245141415]
  マルチラベルの分類は、研究と産業の両方において重要な領域として現れてきた。 対照的な学習をマルチラベル分類に適用することは、ユニークな課題である。 多様な環境における多ラベル分類のためのコントラスト学習損失の詳細な研究を行う。
  論文  参考訳（メタデータ） (2024-11-27T20:20:06Z)
• Optimized 3D Point Labeling with Leaders Using the Beams Displacement Method [14.377997862577182]
  リーダーレーベルは、ポジション・コンフィギュレーションにおいて大きな自由を持っている。 我々は,地図変位問題の解法に類似したラベル位置の動的構成過程を概念化する。
  論文  参考訳（メタデータ） (2024-06-28T01:31:37Z)
• Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection [25.195711274756334]
  適応的協調相関 lEarning-based Semi-Supervised Multi-label Feature Selection (Access-MFS) 法を提案する。 具体的には、拡張された非相関制約を備えた一般化回帰モデルを導入し、識別的かつ無関係な特徴を選択する。 相関インスタンスとラベル相関を提案回帰モデルに統合し,サンプル類似度グラフとラベル類似度グラフの両方を適応的に学習する。
  論文  参考訳（メタデータ） (2024-06-18T01:47:38Z)
• Label Learning Method Based on Tensor Projection [82.51786483693206]
  テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。 行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。 さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
  論文  参考訳（メタデータ） (2024-02-26T13:03:26Z)
• Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
  均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。 提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。 実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
  論文  参考訳（メタデータ） (2024-02-01T15:33:17Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
  Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。 陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
  論文  参考訳（メタデータ） (2021-09-25T02:48:17Z)

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。