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

Feb, 2018

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

Joint Binary Neural Network for Multi-label Learning with Applications to Emotion Classification

Huihui He, Rui Xia

TL;DR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。

Abstract

Recently the deep learning techniques have achieved success in multi-label classification due to its automatic representation learning ability and the end-to-end learning framework. Existing deep neural networks in multi-label classification can be divided into two kinds: binary releva

deep learning multi-label classification binary neural network emotion classification logistic functions

发现论文，激发创造

大规模多标签文本分类 - 重新审视神经网络

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。

Dec, 2013

CNN-RNN：一种多标签图像分类的统一框架

本文提出了一种基于卷积神经网络和循环神经网络的框架，用于多标签图像分类，通过学习图像标签嵌入特征，显式地利用了图像标签之间的关联性，拥有较好的分类性能。

Apr, 2016

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

通过建模上下文依赖性实现精确的二进制神经网络

本文中，我们提出了可用于学习视觉模型的有效二进制神经模块。我们将二进制多层感知器（MLP）块作为二进制卷积块的替代方案，通过模型化短程和长程特征依赖关系来解决二进制模型上下文依赖关系的问题。我们构建了显式上下文依赖建模的 BNNs，称为 BCDNet，在标准的 ImageNet 分类基准测试中，BCDNet 实现了 72.3％的 Top-1 准确率，并以类似的操作超越了领先的二进制方法。

Sep, 2022

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

基于 Transformer 的联合编码情感识别和情感分析

本文介绍一种基于 Transformer 的联合编码方法，用于情感识别和情感分析，已提交至 ACL20 多模式语言比赛评估。

Jun, 2020

基于视觉注意力的无序 RNN 多标签分类

本文提出了用于多标签分类的联合学习注意力和循环神经网络模型，可有效利用注意力和 LSTM 模型，并且扩展了 beam 搜索技术以提高效率。

Jul, 2017

通过桥接神经网络进行任务驱动的公共表示学习

本文介绍了一种基于深度学习的新型方法 —— 桥接神经网络（BNN），用于针对特定任务挖掘两个给定数据源之间的潜在关系。该方法采用两个卷积神经网络将两个数据源投影到特征空间中，学习特定任务所需的所需的共同表示。训练目标是介绍人工负样本的能力，使得小批量训练的抗性等价于最大化两个数据源的总相关性，并通过理论分析进行了验证。在配对、典型相关分析、迁移学习和重构等任务上的实验表明，BNN 具有最先进的性能，可能为共同表示学习方面带来新的见解。

Jun, 2019

一种神经多任务学习框架，联合建模医疗实体识别和归一化

文章提出了一种新颖的深度神经多任务学习框架，采用显式反馈策略联合建模识别和规范化任务，实现了一种将层次任务转化为并行的多任务设置，并保持任务之间的相互支持，从而显著提高了模型性能。实验证明，该方法在两个公开的医学文献数据集上的表现均显著优于现有方法。

Dec, 2018