論文の概要: HyperLabel: Multi-Label Classification via Hypergraph-Based Label Correlation Modeling
- arxiv url: http://arxiv.org/abs/2609.32276v1
- Date: Sat, 26 Sep 2026 06:04:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 18:12:11.370209
- Title: HyperLabel: Multi-Label Classification via Hypergraph-Based Label Correlation Modeling
- Title（参考訳）: HyperLabel: ハイパーグラフに基づくラベル相関モデリングによるマルチラベル分類
- Abstract要約: マルチラベル分類(MLC)では、各インスタンスについて複数の関連するラベルを予測する必要がある。
既存の手法は高次ラベル相関の取得に限られている。
本稿では,ハイパーグラフニューラルネットワークを用いて依存関係を明示的にモデル化するエンコーダデコーダフレームワークであるHyperLabelを提案する。
- 参考スコア（独自算出の注目度）: 21.044430295296632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-label classification (MLC) requires predicting multiple relevant labels for each instance, where a central challenge is modeling complex label dependencies arising from co-occurrence patterns. Existing approaches are limited in capturing high-order label correlations, relying on implicit learning through contrastive objectives or pairwise attention mechanisms without structural guidance. We propose HyperLabel, an encoder-decoder framework that explicitly models label dependencies through hypergraph neural networks. Our contributions are twofold: (i) We construct a label hypergraph where sample-defined hyperedges naturally encode multi-way co-occurrence patterns, providing explicit structural prior knowledge that captures relationships beyond pairwise interactions. (ii) We propose a unified cross-modal learning approach where HGNN+ performs bidirectional message passing to integrate feature information with label structure, and a shared cross-attention decoder processes both modalities through complementary learning objectives. Extensive experiments on seven benchmark datasets demonstrate that HyperLabel achieves state-of-the-art performance, with particularly significant improvements on macro-F1 scores (+10.3% on Delicious, +8.2% on Bibtex), validating that explicit hypergraph structure effectively captures complex label relationships. The code is available at https://github.com/iZHpy/Multi-label_hypergraph .
- Abstract（参考訳）: マルチラベル分類(MLC)では、複数の関連するラベルをインスタンス毎に予測する必要がある。
既存のアプローチは、高次のラベル相関を捉えたり、対照的な目的を通した暗黙的な学習や、構造的なガイダンスを伴わない一対の注意機構に頼る場合に限られている。
本稿では,ハイパーグラフニューラルネットワークを用いて依存関係を明示的にモデル化するエンコーダデコーダフレームワークであるHyperLabelを提案する。
私たちの貢献は2つあります。
i) サンプル定義ハイパーエッジが自然に多方向共起パターンをエンコードするラベルハイパーグラフを構築し, 相互相互作用を超えて関係をキャプチャする構造的事前知識を提供する。
(II)HGNN+が双方向メッセージパッシングを行い,特徴情報をラベル構造に統合する統合型クロスモーダル学習手法を提案する。
7つのベンチマークデータセットに対する大規模な実験により、HyperLabelは最先端のパフォーマンスを達成し、特にマクロF1スコア(Deliciousでは+10.3%、Bibtexでは+8.2%)を大幅に改善し、明示的なハイパーグラフ構造が複雑なラベル関係を効果的に捉えることを示した。
コードはhttps://github.com/iZHpy/Multi-label_hypergraphで公開されている。
関連論文リスト
- Multi-Label Node Classification with Label Influence Propagation [79.38415948442751]
グラフ上のマルチラベルノード分類(MLNC)に取り組むことで、様々なアプローチが開発されている。
グラフニューラルネットワーク(GNN)を利用してラベルの共起相関を利用する方法もあるが、ラベルの埋め込みを組み込んでラベルの近接を捉える方法もある。
我々は,GNNにおけるメッセージパッシングプロセスを,伝搬と変換の2つの操作に分解する。
次に,各操作におけるラベル間の影響相関の包括的分析と定量化を行う。
論文 参考訳（メタデータ） (2026-07-01T09:17:28Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - 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) - Multi-Label Continual Learning using Augmented Graph Convolutional
Network [7.115602040521868]
Multi-Label Continual Learningは、シーケンシャルなマルチラベル画像認識データストリームにクラスインクリメンタルフレームワークを構築する。
この研究は、MLCLにおけるクロスタスクラベル関係を構築することができるAGCN++(Augmented Graph Convolutional Network)を提案する。
提案手法は2つのマルチラベル画像ベンチマークを用いて評価する。
論文 参考訳（メタデータ） (2022-11-27T08:40:19Z) - Group is better than individual: Exploiting Label Topologies and Label
Relations for Joint Multiple Intent Detection and Slot Filling [39.76268402567324]
我々は2種類のトポロジーを含む異種ラベルグラフ(HLG)を構築した。
ラベル相関を利用してセマンティック・ラベルの相互作用を強化する。
また,ラベルに依存しないデコード機構を提案し,デコードのためのラベル相関をさらに活用する。
論文 参考訳（メタデータ） (2022-10-19T08:21:43Z) - Semantic-Aware Representation Blending for Multi-Label Image Recognition
with Partial Labels [86.17081952197788]
そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。
MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
論文 参考訳（メタデータ） (2022-03-04T07:56:16Z) - A Label Dependence-aware Sequence Generation Model for Multi-level
Implicit Discourse Relation Recognition [31.179555215952306]
暗黙の談話関係認識は、談話分析において難しいが重要な課題である。
ラベル依存型シーケンス生成モデル(LDSGM)を提案する。
ボトムアップ方向のラベル依存を利用した相互学習強化訓練法を開発した。
論文 参考訳（メタデータ） (2021-12-22T09:14:03Z) - 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) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Multi-Label Text Classification using Attention-based Graph Neural
Network [0.0]
ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。
提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
論文 参考訳（メタデータ） (2020-03-22T17:12:43Z)
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。