May, 2019

层次多标签分类的双曲交互模型

PDF
TL;DR本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。
hierarchical multi-label classificationword hierarchieslabel hierarchieshyperbolic spacehyperbolic interaction model
发现论文，激发创造
  • 一种完全双曲神经模型用于分层多类别分类

    提出了一个全超伽马模型进行多类多标签分类，该模型可以从类别分布中推断出潜在的层次关系，捕获库存中的隐含下义关系，并显示出与最先进的方法相当的细粒度分类性能，具有可观的参数规模缩减。

    Oct, 2020

  • 层次化多标签分类的双曲线标签嵌入联合学习

    本文提出了一种联合学习分类器参数与标签嵌入的方法，用于多标签分类的层次化关系建模，结果表明该方法对具有效性，超过了以往基于共现信息的预训练超几何嵌入方法。

    Jan, 2021

  • 相干的层次多标签分类网络

    本文提出了一种新的层次化多标签分类问题的方法 C-HMCNN (h)，该方法利用网络 h 中的层次信息，以产生符合约束的预测并提高性能，在广泛的实验分析中展示了与最先进模型相比的优异性能。

    Oct, 2020

  • 使用蕴涵锥嵌入的分层图像分类

    该论文提出了一套使用嵌入到分类标签中的类层次结构信息，通过改进算法进行图像分类和表示学习的方法，并将其在 ETHEC 数据集中进行了实证测试。

    Apr, 2020

  • 对比多视角双曲分层聚类

    本论文提出了一种基于神经网络的模型（Contrastive Multi-view Hyperbolic Hierarchical Clustering, CMHHC），应用于多视角数据的超几何层次聚类，通过对多个视角的样本级表示进行对比来捕获不变性信息，并将其嵌入到超几何空间中进行聚类，并且将最优化的超几何嵌入解码成二分聚类树结构。实验结果表明该方法及其组成部分的有效性。

    May, 2022

  • 层次感知联合对比学习实例和标签用于层次多标签文字分类

    通过使用层次化多标签文本分类和对比学习的方法，提出了一种叫做 HJCL 的方法来解决半监督学习中样本生成引入噪声的问题，并构造批次数据以实现对比学习目标的完全利用。

    Oct, 2023

  • 层级标签拓展的在线持续学习

    通过多级分层标签扩展的在线学习约束，我们提出了一种新的多级分级类增量任务配置，该配置允许网络首先学习粗粒化类别，并在各个层次深度中不断扩展到更精细粒度的类别。通过利用层次感知的伪标签技术，结合简单而有效的记忆管理和采样策略，我们的方法能够在所有层次的分层结构中显著提高分类准确性，无论层次深度和类别不平衡比例如何，并且在传统的不相交、模糊和 i-Blurry 的连续学习设置上也优于现有的最先进方法。

    Aug, 2023

  • 使用所有标签：一种分层多标签对比学习框架

    本文提出了一种层次化多标签表征学习框架，该框架可以利用所有可用标签并保留类别之间的层次关系，并引入新颖的层次保持损失。该方法是数据驱动的，自动适应任意多标签结构。实验表明，我们的关系保持嵌入在各种任务上表现良好，优于基线监督式和自监督式方法。

    Apr, 2022

  • 基于注意力的学术资源文本级多标签分类

    本文提出了一种基于注意力机制的层次化多标签学术文本分类算法，该算法结合了文本、关键词和层次结构等特征，利用 word2vec 和 BiLSTM 来获取文本、关键词和层次结构的嵌入式和潜在向量表示，并使用分层注意机制来捕捉关键词、标签层次结构和文本词向量之间的关联，以生成特定于分层的文档嵌入向量取代 HMCN-F 中的原始文本嵌入。实验结果显示，该算法具有较好的效果。

    Mar, 2022

  • 组合优于单独：基于标签拓扑结构和标签关系的多意图检测和槽填充

    本研究提出了一种基于异构标签图的模型（HLG），以捕捉标签之间的依赖关系和关联关系，并利用这些关系来提高多重意图检测和位置填充任务的性能。我们还提出了标签感知的相互依赖解码机制，以进一步利用标签之间的关联关系来解码。实验结果表明，我们的 ReLa-Net 模型在 MixATIS 数据集上的整体准确性比以前的最佳模型高出 20％以上。

    Oct, 2022