Dec, 2013

大规模多标签文本分类 - 重新审视神经网络

PDF
TL;DR本文研究了神经网络在多标签分类中的应用，并提出了一种使用深度学习算法的简单神经网络模型取代 BP-MLL 模型进行文本分类，证明了这些模型在六个不同属性的数据集上具有较好的性能表现。
neural networksmulti-label classificationtext classificationdeep learningranking loss minimization
发现论文，激发创造
  • ML-Net：基于深度神经网络的生物医学文本多标签分类

    ML-Net 是一个新型的深度学习框架，用于多标签分类生物医学文本，它通过组合标签预测网络和自动标签计数预测机制来在输出标签时利用每个标签的预测置信度和目标文档中的上下文信息，无需人工特征工程，具有高效、可扩展等特点。

    Nov, 2018

  • 使用深度神经网络进行文本分类的主动学习调查

    本文评估最近采用神经网络的主动学习策略在文本分类中的性能与缺陷，并探讨了训练小数据集的深度神经网络 (DNN) 对于实现有效的主动学习的重要性，并为当前研究中存在的差距提出了几个研究问题。

    Aug, 2020

  • 基于多任务学习的文本分类循环神经网络

    本文提出了基于多任务学习框架的神经网络方法，采用循环神经网络来建模具有特定任务和共享层的文本，并在四个基准文本分类任务的实验中显示出该方法可以提高其他相关任务的性能。

    May, 2016

  • 使用期望反向传播训练二进制多层神经网络进行图像分类

    研究表明，在高维文本数据集上，使用 Expectation BackPropagation (EBP) 算法的 Binary Multilayer Neural Networks (BMNNs) 对二元分类任务具有良好的效果。本研究以 MNIST 数据集为例，探讨了在多类图像分类任务中使用 EBP 算法的 BMNNs 的能力，同时考察了多层二元神经网络和不同数量隐藏单元下的性能，以及在 BMNNs 中使用图像空间过滤器和 dropout 技术的有效性。实验结果表明，与全连接的 MNNs 上使用标准 BackPropagation 算法的结果相仿，EBP 算法可以在二进制权重下获得 2.12％的测试误差和 1.66％的实际权重测试误差。

    Mar, 2015

  • 使用 GloVe 和神经网络模型进行多标签文本分类

    多标签文本分类面临诸多挑战，本文提出了一种基于 GloVe 模型和 CNN-BiLSTM 网络的词袋模型方法，该方法在测试集上达到了 87.26% 的准确率和 0.8737 的 F1 分数，展现出了良好的结果。

    Oct, 2023

  • 面向多标签学习的联合二进制神经网络及其在情感分类中的应用

    本文介绍了一种基于联合二元分类神经网络 (JBNN) 的多标签情感分类方法，通过使用逻辑函数代替 softmax 函数，实现了多个二元分类的同步进行，并通过联合二元交叉熵损失 (JBCE) 从训练中捕获标签之间的关系，提高了计算效率和分类性能。

    Feb, 2018

  • 基于循环神经网络的关系分类

    本文提出了一种基于循环神经网络的简单框架，并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点，并在使用 MIMLRE 数据集的实验中表现出优异的性能。

    Aug, 2015

  • 使用 Loss 集合扩展神经网络的文本分类模型

    本文提出了一种基于集成技术的神经网络扩展，该神经网络具有集成损失函数用于文本分类并通过神经网络的梯度传播优化方法调整每个弱损失函数的权重，在多个数据集和不同程度的标签噪声下，与其他方法相比表现更好，具有较强的抗噪声能力。

    Nov, 2017

  • 贝叶斯神经网络：简介和调查

    本研究介绍贝叶斯神经网络的实现方法，比较不同的近似推理方法，探讨如何在当前方法的基础上改进未来研究。

    Jun, 2020

  • 单标签和多标签文本分类：词袋、序列、图、层次结构，我们真正取得了多少进展？

    通过综合文献和自行实验，我们发现在单标签和多标签分类任务中，与精调的语言模型和 MLP 等标准机器学习方法相比，基于图的方法效果不如人意，甚至有时比基于词袋的 MLP 方法表现还要差，这进一步挑战了过去几年中新基于图方法的开发和它们在这一领域中的实际价值，并证实了预先训练的语言模型依然是文本分类中最先进的方法。因此，未来的文本分类研究需要仔细测试标准的机器学习算法如 MLP，以更好地评估其真正的科学进展。

    Apr, 2022