本文介绍了一种利用等级约束估计和低维度标签嵌入之间的对应关系发现的快速标签嵌入算法,该算法适用于多类和多标签数据集,并且其运行时间比朴素算法快效果显著,该方法在两个大规模公共数据集上进行了验证,并获得了最先进的结果。
Dec, 2014
本文介绍了一种用于训练多标签、大规模多类别图像分类模型的方法,通过将高维稀疏标签嵌入到具有单位范数的低维密集球体上,并将分类问题视为该球体上余弦相似度回归问题,其比基于逻辑回归的 sigmoid 交叉熵损失函数的监督方法更快更准确,经过在 300 million 高分辨率图像和 17,000 标签的数据集上测试,相对于逻辑回归,该方法收敛速度明显提高,平均精度也提高了 7%。
Jul, 2016
本文提出了一种快速局部敏感哈希技术以近似实际点积,使我们能够将训练和推理扩展到数百万个输出类,并在三个不同的大规模识别任务上验证了我们的方法,表明与基线方法相比,我们的方法能以更快的速度(以步骤 / 总时间为单位)训练大规模模型。
本文提出了一种基于最小二乘代理损失的方法来解决标签排名问题,并针对本方法采用了具体的特征映射 / 嵌入来转换排名 / 排列为向量表示,旨在提高结构化预测的效率和准确性,在部分排名情况下有着良好的表现。
Jul, 2018
使用压缩感知的思想,将多标签预测问题简化为二元回归问题,并通过输出码方案实现了该方法,同时保证了鲁棒性。
Feb, 2009
本文介绍了 X-One 分类器,其使用小型本地距离保存嵌入,可以准确预测罕见(尾部)标签的聚合,提高了分类准确性,可有效且较之于嵌入法和树法的现有极端多标签分类算法,对于拥有百万标签的数据集也能高效扩展。
Jul, 2015
该论文提出了一种利用非线性嵌入和基于图先验的标签空间建模相结合的实用深度嵌入方法,以解决规模庞大的标签空间问题,并在多个公共数据集上进行了实验。
Apr, 2017
本文提出了一种新颖、可推广和快速的方法,定义了一组嵌入函数集合,并通过随机挑选小的标签子集来学习每个嵌入函数。实验证明,这些嵌入集合可创建有效的嵌入函数,这些函数用于图像检索,并在 CUB-200-2011、Cars-196、In-Shop Clothes 检索以及 VehicleID 上提高了最先进的性能。
Aug, 2018
本文介绍一种基于 Johnson-Lindenstrauss 矩阵的极端多类分类的简单可拓展的框架,该框架使用 JLM 的列来嵌入标签,将分类问题转换为具有对数 C 输出维度的回归问题,并通过冗余分析,揭示了计算效率和预测精度之间的折衷关系。我们的方法易于并行化,并且实验结果表明,在大规模应用中具有有效性和可扩展性。
May, 2023
本文提出了一种名为 MIMLfast 的方法来解决大规模数据集上的多实例多标记学习问题,该方法通过构建在所有标签之间共享的低维子空间并训练标签特定的线性模型来优化近似排名损失,并探索复杂标签的子概念以实现良好性能,该方法时间成本大大降低。
Oct, 2013