論文の概要: Exploring label correlations using decision templates for ensemble of classifier chains

• arxiv url: http://arxiv.org/abs/2603.13541v1
• Date: Fri, 13 Mar 2026 19:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.263266
• Title: Exploring label correlations using decision templates for ensemble of classifier chains
• Title（参考訳）: 分類器チェーンのアンサンブルのための決定テンプレートを用いたラベル相関の探索
• Authors: Victor F. Rocha, Alexandre L. Rodrigues, Thiago Oliveira-Santos, Flávio M. Varejão,
• Abstract要約: アンサンブルに基づくマルチラベル手法の使用は、マルチラベル分類結果の改善に有効であることが示されている。 最も広く使われているアンサンブルベースの融合スキームの1つは、アンサンブルチェインのためのアンサンブルチェイン決定テンプレート(DTECC)である。
• 参考スコア（独自算出の注目度）: 40.814621490828486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The use of ensemble-based multi-label methods has been shown to be effective in improving multi-label classification results. One of the most widely used ensemble-based multi-label classifiers is Ensemble of Classifier Chains. Decision templates for Ensemble of Classifier Chains (DTECC) is a fusion scheme based on Decision Templates that combines the predictions of Ensemble of Classifier Chains using information from the decision profile for each label, without considering information about other labels that might contribute to the classified result. Based on DTECC, this work proposes the Unconditionally Dependent Decision Templates for Ensemble of Classifier Chains (UDDTECC) method, a classifier fusion method that seeks to exploit correlations between labels in the fusion process. In this way, the classification of each label in the problem takes into account the label values that are considered conditionally dependent and that can lead to an improvement in the classification performance. The proposed method is experimentally compared with two traditional classifier fusion strategies and with a stacking-based strategy. Empirical evidence shows that using the proposed Decision Templates adaptation can improve the performance compared to the traditionally used fusion schemes on most of the evaluated metrics.
• Abstract（参考訳）: アンサンブルに基づくマルチラベル手法は,マルチラベル分類結果の改善に有効であることが示されている。 最も広く使われているアンサンブルベースのマルチラベル分類器の1つは、Ensemble of Classifier Chainsである。 DTECC(Decision templates for Ensemble of Classifier Chains)は、分類結果に寄与する可能性のある他のラベルに関する情報を考慮せずに、各ラベルに対する決定プロファイルからの情報を用いて、分類チェインの集合の予測を組み合わせた、決定テンプレートに基づく融合スキームである。 本研究は,DTECC に基づく分類器融合法である Unconditionally Dependent Decision Templates for Ensemble of Classifier Chains (UDDTECC) を提案する。 このように、問題における各ラベルの分類は、条件依存的と考えられるラベル値を考慮しており、分類性能の改善につながる可能性がある。 提案手法は従来の2つの分類器融合戦略と積み重ね型戦略とを実験的に比較した。 実証的な証拠は、提案された決定テンプレート適応を用いることで、評価指標のほとんどで伝統的に使用されている融合スキームと比較してパフォーマンスが向上することを示している。

関連論文リスト

• Label Cluster Chains for Multi-Label Classification [2.072831155509228]
  マルチラベル分類は、複数のラベルをインスタンスに同時に割り当てることができる教師付き機械学習の一種である。 そこで本稿では,ラベル空間に分割法を適用して得られた解離相関ラベルクラスタをチェーンする手法を提案する。 提案手法は,学習と連鎖が相関するラベルクラスタをよりよく探索し,ラベル相関を学習できることを示唆する。
  論文  参考訳（メタデータ） (2024-11-01T11:16:37Z)
• 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)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• A Three-phase Augmented Classifiers Chain Approach Based on Co-occurrence Analysis for Multi-Label Classification [0.0]
  既存のChainsメソッドは、ラベル空間の基盤となる依存性をモデル化し、利用するのは難しい。 マルチラベル分類のための共起解析に基づく3相拡張チェイン手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T02:10:14Z)
• Ensemble of Binary Classifiers Combined Using Recurrent Correlation Associative Memories [1.3706331473063877]
  多数決は、アンサンブル法で分類器を結合する手法の例である。 本稿では,二項分類問題に対する繰り返し相関連想記憶に基づくアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2020-09-18T01:16:53Z)
• 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)
• Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
  マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。 ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。 本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
  論文  参考訳（メタデータ） (2020-07-22T18:13:12Z)

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。