Apr, 2019

CascadeML: 多标签分类自动神经网络架构演化与训练算法

PDF
TL;DR本论文在多标签领域提出一种神经网络算法，CascadeML，用于基于级联神经网络的多标签神经网络的训练，无需或最小化超参数调整，并考虑标签之间的关联，同时能够获得很好的性能。
multi-label classificationneural networkhyperparameter tuningcascademllabel associations
发现论文，激发创造
  • 多标签分类的自动化机器学习

    自动化机器学习在多标签分类等任务中，选择和配置机器学习算法并将其组合成适合给定数据集的机器学习流程图。通过设计一种扩展的自动化机器学习方法，该方法优化了机器学习算法的流程图，并在多标签分类中配置复杂的层次结构，进一步研究了单标签和多标签分类中自动化机器学习方法的扩展性和性能问题。

    Feb, 2024

  • 演化多标记模糊分类器

    本文提出了一种自适应、自进化的模糊多标记分类器，结合相关性算法、权重最小二乘法和 Lasso 正则化，实现递增式单遍分类，并提供在线主动学习策略和产品空间聚类，其中分类器更新所需的样本数减少了 90％，但几乎不会影响分类精度。

    Mar, 2022

  • 卷积神经网络分类中的自动学习算法选择

    本文介绍一种基于元学习的分类器自动选择算法，通过使用卷积神经网络直接学习表格数据的内在结构，来提高二元分类的性能，并在模拟和真实数据集上实验证明，这种方法优于基于元特征的传统两步方法。

    May, 2023

  • 深度学习的进化神经自动机器学习

    本文介绍一种名为 LEAF 的进化型 AutoML 框架，不仅优化超参数，而且还优化网络架构和大小，实验结果表明优化网络架构比优化超参数显著提高了性能，并且可以在保持性能的情况下最小化网络。LEAF 因此为普及和改进 AI，以及使 AI 在未来的应用中变得实用提供了基础。

    Feb, 2019

  • 一种多标签连续学习框架，以扩展深度学习方法以进行包装设备监控

    本研究提出了一种高效的方法，用于处理 Domain Incremental Learning 场景下的 multi-label classification 问题，并能够在 Class Incremental Learning 场景下应用，实现了对 packaging industry 领域中的 Alarm Forecasting 问题的预测和较好的性能。

    Aug, 2022

  • CascadeXML: 极端多标签分类的端到端多分辨率训练的 Transformer 重构

    CascadeXML 是一种端到端的多分辨率学习流程，利用 transformer 模型的多层架构来应对不同的标签分辨率，并为每个分辨率保留独立的特征表示。CascadeXML 在标签数高达三百万的基准数据集上取得了显著的性能提升，是现有方法的最优选择。

    Oct, 2022

  • 多标签分类的神经消息传递

    该论文提出了一种名为 LaMP 神经网络的方法用于多标记分类问题，通过利用基于注意力的神经消息传递来有效地建模多标签的联合预测，并在七个真实世界的多标记分类数据集上验证了模型在准确性、可解释性和适用性方面的优越性，该模型具有可并行化、直观解释等特点。

    Apr, 2019

  • 多标签学习的深度学习：综合调查

    综述了深度学习在多标签学习中的最新进展，包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构，并提出了对现有方法的比较分析，以提供有洞察力的观察和促进该领域未来的研究方向。

    Jan, 2024

  • 自适应贝叶斯线性回归在自动化机器学习中的应用

    本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

    Apr, 2019

  • 学习如何学习和预测：一种用于多标签分类的元学习方法

    本文提出了一种利用元学习方法和训练策略捕捉标签依赖关系的元学习方法，其训练策略用于交叉熵损失函数训练分类器，预测策略则用于预测。实验结果表明该方法可以更准确地进行多标签分类。

    Sep, 2019