論文の概要: Hierarchy-Consistent Learning and Adaptive Loss Balancing for Hierarchical Multi-Label Classification
- arxiv url: http://arxiv.org/abs/2508.13452v1
- Date: Tue, 19 Aug 2025 02:15:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:31.76704
- Title: Hierarchy-Consistent Learning and Adaptive Loss Balancing for Hierarchical Multi-Label Classification
- Title（参考訳）: 階層型マルチラベル分類のための階層型学習と適応的損失バランス
- Authors: Ruobing Jiang, Mengzhe Liu, Haobing Liu, Yanwei Yu,
- Abstract要約: HMCはマルチタスク学習における構造的一貫性の維持と損失重み付けのバランスに関する課題に直面している。
プロトタイプのコントラスト学習と適応的タスク重み付け機構を統合したMTLに基づくHCALと呼ばれる分類器を提案する。
- 参考スコア（独自算出の注目度）: 8.889313669713918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical Multi-Label Classification (HMC) faces critical challenges in maintaining structural consistency and balancing loss weighting in Multi-Task Learning (MTL). In order to address these issues, we propose a classifier called HCAL based on MTL integrated with prototype contrastive learning and adaptive task-weighting mechanisms. The most significant advantage of our classifier is semantic consistency including both prototype with explicitly modeling label and feature aggregation from child classes to parent classes. The other important advantage is an adaptive loss-weighting mechanism that dynamically allocates optimization resources by monitoring task-specific convergence rates. It effectively resolves the "one-strong-many-weak" optimization bias inherent in traditional MTL approaches. To further enhance robustness, a prototype perturbation mechanism is formulated by injecting controlled noise into prototype to expand decision boundaries. Additionally, we formalize a quantitative metric called Hierarchical Violation Rate (HVR) as to evaluate hierarchical consistency and generalization. Extensive experiments across three datasets demonstrate both the higher classification accuracy and reduced hierarchical violation rate of the proposed classifier over baseline models.
- Abstract（参考訳）: 階層型マルチラベル分類(HMC)は、MTL(Multi-Task Learning)において、構造的一貫性と損失重み付けのバランスを維持する上で重要な課題に直面している。
これらの問題に対処するために,プロトタイプのコントラスト学習と適応的タスク重み付け機構を統合したMTLに基づくHCALと呼ばれる分類器を提案する。
私たちの分類器の最も重要な利点は、明示的なモデリングラベルを持つプロトタイプと、子クラスから親クラスへのフィーチャーアグリゲーションの両方を含むセマンティック一貫性です。
もう一つの重要な利点は、タスク固有の収束率を監視することで最適化リソースを動的に割り当てる適応的損失重み付け機構である。
従来の MTL アプローチに固有の "one-strong-many-weak" 最適化バイアスを効果的に解決する。
さらにロバスト性を高めるために、制御ノイズをプロトタイプに注入して決定境界を拡張することで、プロトタイプ摂動機構を定式化する。
さらに、階層的整合性と一般化を評価するために、階層的振動率(HVR)と呼ばれる定量的計量を定式化する。
3つのデータセットにわたる大規模な実験は、ベースラインモデルよりも高い分類精度と、提案した分類器の階層的違反率の低下を証明している。
関連論文リスト
- NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。
提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。
実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-06-11T06:59:17Z) - SpecRouter: Adaptive Routing for Multi-Level Speculative Decoding in Large Language Models [21.933379266533098]
大規模言語モデル(LLM)は、推論品質と計算コストの間に重要なトレードオフをもたらす。
既存のサービス戦略では、固定されたモデルスケールや静的な2段階の投機的デコードを用いることが多い。
本稿では,LLM推論を適応的ルーティング問題として再定義する新しいフレームワークであるsystemnameを紹介する。
論文 参考訳（メタデータ） (2025-05-12T15:46:28Z) - Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。
本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。
本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文 参考訳（メタデータ） (2025-03-28T07:23:07Z) - Salvaging the Overlooked: Leveraging Class-Aware Contrastive Learning for Multi-Class Anomaly Detection [18.797864512898787]
異常検出では、初期のアプローチは個々のクラスの別々のモデルを訓練し、高いパフォーマンスを得るが、スケーラビリティとリソース管理の課題を提起する。
本研究は, 階層間混乱を解消する手法として, 再構築手法で観測されたこの性能について検討する。
この混乱は、マルチクラスのシナリオで訓練されたモデルが、あるクラスのサンプルを別のクラスとして誤って再構成すると、再構成エラーが悪化する。
原対象のカテゴリ情報(例えばカーペットや木)を明示的に活用することにより、局所CLを導入し、マルチスケールの高密度特徴を洗練させ、グローバルCLを導入し、通常のパターンのよりコンパクトな特徴表現を得ることにより、モデルをマルチクラスに効果的に適応させる。
論文 参考訳（メタデータ） (2024-12-06T04:31:09Z) - Deep Matrix Factorization with Adaptive Weights for Multi-View Clustering [0.6037276428689637]
DMFAW(Adaptive Weights for Multi-View Clustering)を用いた新しいDeep Matrix Factorizationを提案する。
提案手法は特徴選択を同時に組み込んで局所分割を生成し,クラスタリング結果を向上する。
ベンチマークデータセットの実験では、DMFAWがクラスタリングのパフォーマンスで最先端のメソッドより優れていることが強調されている。
論文 参考訳（メタデータ） (2024-12-03T09:08:27Z) - 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) - Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳（メタデータ） (2024-03-21T08:08:31Z) - A Robust Twin Parametric Margin Support Vector Machine for Multiclass Classification [0.0]
本稿では,特徴不確実性を考慮したマルチクラス分類タスクに対処する新しいTPMSVMモデルを提案する。
データ摂動に対処するため、各トレーニング観測の周囲に有界・北不確実性セットを構築し、決定論的モデルのロバストな特徴を導出する。
実世界のデータセットに対する頑健なマルチクラスTPMSVM手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-06-09T19:27:24Z) - Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。
最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
論文 参考訳（メタデータ） (2020-10-20T09:37:02Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z)
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。