ICMLFeb, 2021

多标签分类任务的高效在线 ML API 选择

PDF
TL;DR本论文提出了一种名为 FrugalMCT 的自适应机器学习 API 选择框架，通过将 API 选择问题转化为整数线性规划，能够在不降低预测准确率的同时获得高达 90% 的成本降低效果，并展示其在多种任务上的性能优异性。
multi-label classificationmachine learningapi selectionfrugalmctcost reduction
发现论文，激发创造
  • FrugalML：如何更准确便宜地使用 ML 预测 API

    FrugalML 提出了一种基于机器学习 API 的预测的经济优化框架，能够自动识别可获得的 API 中最优的顺序策略，并在预算约束下实现高准确性和成本效益。

    Jun, 2020

  • 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

  • MCAL：最小成本人机主动标注

    本文提出了一种迭代方法，通过联合确定用人工分标注哪些样本和用训练有素的分类器进行标注哪些样本来最小化总体成本，从而解决通过云端注释服务生成数据集的成本过高的问题。作者在 Fashion-MNIST、CIFAR-10、CIFAR-100 和 ImageNet 等公共数据集上验证了该方法，并表明其总成本比完全使用人工标注数据集的成本低 6 倍，且始终比最便宜的竞争策略便宜。

    Jun, 2020

  • 多标签分类方法的综合比较研究

    这项研究对各个领域的大量数据集使用 20 种不同的评估方法对 26 种不同的多标签分类方法进行了全面的实证研究，发现 RFPCT，RFDTBR，ECCJ48，EBRJ48 和 AdaBoostMH 是效果最好的方法，希望今后引入新方法时，应该将其与不同的 MLC 方法的子集进行比较，以便更好地评估其性能表现。

    Feb, 2021

  • 合适的模型：法律多标签分类基线的评估

    在这项工作中，我们使用两个公共法律数据集 POSTURE50K 和 EURLEX57K，通过改变训练数据量和标签数量，评估了不同的多标签分类方法，结果显示 DistilRoBERTa 和 LegalBERT 在法律多标签分类中表现良好，而 T5 在生成模型中表现相当，并且 CrossEncoder 在提高宏 F1 分数方面具有潜力，尽管计算成本增加。

    Jan, 2024

  • MLC 数据的 FAIR 化

    本文介绍了一种基于本体的多标签分类（MLC）数据集在线目录和性能评估查询系统，以便遵循 FAIR 和 TRUST 原则以保证合适、正确、强大和值得信赖的基准测试。

    Nov, 2022

  • OCCAM: 面向成本效益和准确性感知的图像分类推断

    OCCAM 是一种基于整数线性规划问题的原则方法，用于计算图像分类查询的最佳分类器分配策略，以在用户指定的成本预算下最大化聚合准确性。在各种真实数据集上，OCCAM 实现了 40% 的成本降低，同时准确性几乎没有下降。

    Jun, 2024

  • 一次前向传播实现高效推理的多任务文本分类

    本研究旨在探讨如何使用多任务学习模型来提高实时 web 内容分类的效率。研究提出了一种可扩展的方法，通过仅一次前向传递即可在计算成本接近 O (1) 的情况下获得更强的性能。同时基于新闻题材和风格分类提供了多任务数据集，并通过实验证明所提出的方法优于 GLUE 基准和基于多任务 Transformer 模型的强基线。

    May, 2022

  • 检索增强多标签文本分类

    本文提出了一种检索增强的方法来解决具有 Zipfian 分布标签支持的大标签集情 况下的多标签文本分类问题，并通过交叉关注和检索来改善分类模型的样本效率，实验证明这种方法在标签分布偏斜、低资源训练和长文档数据情境下显著提高了模型性能。

    May, 2023

  • 无序学习：减轻多标记分类中的曝光偏差

    本文提出了一种新的多标签分类框架，不依赖于预定义的标签顺序，有效减轻暴露偏差，通过实验结果表明，相较于竞争基线模型，该方法具有很大的优势和更好的泛化能力，可生成更好的未训练标签组合。

    Sep, 2019