論文の概要: Ca-MCF: Category-level Multi-label Causal Feature selection

• arxiv url: http://arxiv.org/abs/2602.12961v1
• Date: Fri, 13 Feb 2026 14:26:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.979852
• Title: Ca-MCF: Category-level Multi-label Causal Feature selection
• Title（参考訳）: Ca-MCF:カテゴリーレベルのマルチラベル因果的特徴選択
• Authors: Wanfu Gao, Yanan Wang, Yonghao Li,
• Abstract要約: 本稿では,Ca-MCF というカテゴリレベルの多ラベル因果選択手法を提案する。 Ca-MCFは、ラベル変数を特定のカテゴリノードに分割するためにラベルカテゴリフラット化を利用して、ラベル空間内の因果構造の正確なモデリングを可能にする。
• 参考スコア（独自算出の注目度）: 13.546912368053661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label causal feature selection has attracted extensive attention in recent years. However, current methods primarily operate at the label level, treating each label variable as a monolithic entity and overlooking the fine-grained causal mechanisms unique to individual categories. To address this, we propose a Category-level Multi-label Causal Feature selection method named Ca-MCF. Ca-MCF utilizes label category flattening to decompose label variables into specific category nodes, enabling precise modeling of causal structures within the label space. Furthermore, we introduce an explanatory competition-based category-aware recovery mechanism that leverages the proposed Specific Category-Specific Mutual Information (SCSMI) and Distinct Category-Specific Mutual Information (DCSMI) to salvage causal features obscured by label correlations. The method also incorporates structural symmetry checks and cross-dimensional redundancy removal to ensure the robustness and compactness of the identified Markov Blankets. Extensive experiments across seven real-world datasets demonstrate that Ca-MCF significantly outperforms state-of-the-art benchmarks, achieving superior predictive accuracy with reduced feature dimensionality.
• Abstract（参考訳）: 近年,多ラベル因果的特徴選択が注目されている。 しかしながら、現在の手法は主にラベルレベルで動作し、各ラベル変数をモノリシックなエンティティとして扱い、個々のカテゴリ固有のきめ細かい因果メカニズムを見渡す。 そこで本研究では,Ca-MCFというカテゴリレベルのマルチラベル因果的特徴選択手法を提案する。 Ca-MCFは、ラベル変数を特定のカテゴリノードに分割するためにラベルカテゴリフラット化を利用して、ラベル空間内の因果構造の正確なモデリングを可能にする。 さらに,提案する特定カテゴリー・特定相互情報(SCSMI)と識別カテゴリー・特定相互情報(DCSMI)を利用して,ラベル相関によって隠された因果的特徴を救済する,説明的競争に基づくカテゴリー認識回復機構を導入する。 この方法はまた、構造対称性チェックとクロス次元冗長性除去を組み込んで、同定されたマルコフブランケットの堅牢性とコンパクト性を保証する。 実世界の7つのデータセットにわたる大規模な実験により、Ca-MCFは最先端のベンチマークを著しく上回り、特徴次元を減らし優れた予測精度を達成している。

関連論文リスト

• Multi-Label Takagi-Sugeno-Kang Fuzzy System [22.759310690164227]
  ML-TSK FS (Multi-Label Takagi-Sugeno-Kang Fuzzy System) と呼ばれる新しいマルチラベル分類法を提案する。 ML-TSK FSの構造はファジィルールを用いて設計され、特徴とラベルの関係をモデル化する。 提案するML-TSK FSは、12のベンチマークマルチラベルデータセットで実験的に評価される。
  論文  参考訳（メタデータ） (2023-09-20T17:09:09Z)
• Learning Disentangled Label Representations for Multi-label Classification [39.97251974500034]
  One-Shared-Feature-for-Multiple-Labels (OFML) は識別ラベルの特徴を学習するのに役立ちません。 我々は,One-specific-Feature-for-One-Label(OFOL)機構を導入し,新しいアンタングル付きラベル特徴学習フレームワークを提案する。 8つのデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-12-02T21:49:34Z)
• All Mistakes Are Not Equal: Comprehensive Hierarchy Aware Multi-label Predictions (CHAMP) [19.41500672342727]
  本稿では,階層木のように重大度に依存して誤予測を罰する枠組みを提案する。 提案手法は,既存のマルチラベル分類アルゴリズムをより良い誤りで拡張するフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-06-17T09:32:48Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• 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)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
  本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。 実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-10T07:50:44Z)
• 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。