ICMLJul, 2016

一种新的层次化冗余消除树增强朴素贝叶斯分类器，用于处理基于基因本体论的特征

PDF
TL;DR本文介绍了一种基于概率图模型的分类器 —— TA 朴素贝叶斯分类器，提出了一种 HRE-TAN 算法，该算法能够在处理包含分层结构特征的数据时去除分层冗余，实验表明，HRE-TAN 模型在基因数据集上的表现优于传统的 TA 朴素贝叶斯分类器，并增强了对于不平衡类分布的鲁棒性。
发现论文，激发创造
  • 贝叶斯玫瑰树

    本文探讨一种基于贝叶斯方法的层次聚类算法，它能够在每个结点上产生任意分支结构的玫瑰树，并通过一种计算有效的贪心凝聚算法来找到具有高边际似然值的玫瑰树，最终实验证明，玫瑰树是数据的较好模型。

    Mar, 2012

  • 极限分类和密度估计的树和表示同时学习

    我们提出了一种新颖的算法，可以同时进行输入数据的表示学习和层次预测器的学习，该算法通过优化多向节点划分的平衡和易分离性来实现目标函数，从而实现分类误差的上界和提高准确性，并将算法的变体应用于文本分类和语言建模中。

    Oct, 2016

  • HetTree：异构树图神经网络

    本文提出了 HetTree，一种新颖的异构树图神经网络，以一种可扩展且有效的方式对图结构和异构性进行建模，通过构建一个语义树数据结构来捕捉元路径之间的层次关系，使用子树注意机制强调更有助于编码父子关系的元路径，并通过匹配相应的元路径仔细处理节点特征和标签，从而提供了更准确和丰富的信息

    Feb, 2024

  • GANTEE：用于分类体系评估的生成对抗网络

    本文提出了一种可插拔的框架，名为 GANTEE，它使用生成对抗网络来扩展分类法，以解决传统分类法扩展方法效率低下和训练样本有限等问题，并采用先前训练的语言模型，以快速检索概念表示。实验表明 GANTEE 在分类法扩展的效率和有效性方面都有所提高。

    Mar, 2023

  • 学习分层感知特征以减少错误严重程度

    提出了一种学习层次感知特征的方法，该方法利用层次结构中的分类器并使用 Jensen-Shannon Divergence 和几何损失来训练，可以在维持 top-1 误差的情况下改善分类器错误，从而提高分类性能。

    Jul, 2022

  • 高效的依赖引导命名实体识别

    该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能，新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。

    Oct, 2018

  • 基于层次多分辨率特征和先验的图分类

    为了将空间（邻域）和双向分层关系以及样本的特征和先验信息纳入他们的分类中，我们针对三种变型的多分辨率邻域图以及分层条件随机场图制定了分类问题。

    Jun, 2023

  • 多级排序的分层实体类型推断

    本文提出一种新的层次实体分类方法，该方法在训练和预测期间均考虑本体结构，其中我们的新颖多级学习排名损失根据类型树将正类型与负同级进行比较；在预测期间，我们定义一个由粗到细的译码器，基于已预测的父类型限制每个本体级别上的可行候选项。我们在多个数据集上实现了最先进的性能，尤其是在严格准确性方面。

    Apr, 2020

  • 构建基于树的索引以实现高效稠密检索

    本研究提出 JTR，通过联合优化基于树的索引和查询编码，采用负采样和聚类优化策略来提高检索效率，提高神经检索系统在检索性能和系统效率之间的平衡。

    Apr, 2023

  • 树形方法在并行层次分类中的应用

    提出一种基于张量运算在硬件加速器上进行高效分层分类的方法，通过将给定语义树节点上的分类得分和标签批次转换为其沿着树向下的所有祖先路径上得分和标签，从而将所有标签转换为其所有祖先路径上的标签，其测试结果为在包含 20 级深度的 117,659 个分类的 WordNet 3.0 的树上，仅占用固定的 0.04GB 内存，计算量很小。

    Sep, 2022