Jul, 2021

ECLARE: 标签图相关性的极端分类

PDF
TL;DRECLARE 是一种深度极端分类的算法，通过引入标签相关性来提高分类准确性，从而实现对于海量标签的实时预测。该算法在公共数据库和相关产品推荐数据上都表现良好。
deep extreme classificationeclarelabel correlationsscalable techniquespersonalized recommendations
发现论文，激发创造
  • 极端分类的图正则化编码器训练

    本研究通过替换图卷积网络为非图卷积网络的架构，利用图数据来规范编码器训练，提出了一种名为 RAMEN 的替代模型，以提高标签极度分类任务的性能，并在基准数据集上获得了高达 15% 的预测准确率提升，同时不增加推断计算成本。

    Feb, 2024

  • DeepXML：一种应用于短文本文档的深度极端多标签学习框架

    本文介绍了 DeepXML 框架，它将深度极端多标签任务分解成四个简单的子任务，可以在公共短文本数据集上比领先的深度极端分类器更准确和更快地训练，并可用于 Bing 搜索引擎等多个应用。

    Nov, 2021

  • 深度极端多标签学习

    该论文提出了一种利用非线性嵌入和基于图先验的标签空间建模相结合的实用深度嵌入方法，以解决规模庞大的标签空间问题，并在多个公共数据集上进行了实验。

    Apr, 2017

  • DECAF：标签特征下的深度极端分类

    本论文开发了 DECAF 算法，通过学习丰富的标签元数据，利用深度网络联合学习模型参数和特征表示，从而在百万级标签的极限情况下提供精确的分类。相比领先的极端分类器，DECAF 在公开可用的基准产品推荐数据集上能够提供高达 2-6％的更准确的预测，并且推理速度更快，适用于需要在几毫秒内预测的实时应用程序。

    Aug, 2021

  • 基于排序的自编码器极端多标签分类

    本文提出了基于深度学习的 XML 方法，采用基于词向量的自注意力和基于排序的自编码器，不仅能处理特征和标签之间的依赖关系，同时也可以考虑标签之间的依赖关系，该方法在标准数据集上表现优异。

    Apr, 2019

  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022

  • 轻量级深度极端多标签分类

    本文提出一种名为 LightDXML 的方法来解决极端多标签分类的问题，使用标签嵌入代替特征嵌入进行负采样，并通过三个主要阶段迭代训练，从而在保持时间和内存要求的同时，达到与深度学习方法相当的预测准确性。

    Apr, 2023

  • 通过标签特征学习极端多标签分类中的标签 - 标签相关性

    通过利用标签共现图、短文本 XMC 问题特性及标签特征构建有效训练实例和生成对应软标签目标，Gandalf 在更少的训练实例下能够超过原始数据集上的模型，在尾部标签的 PSP@k 指标上表现尤为突出，通过对现有 XMC 算法进行训练可改进平均 5% 的相对性能，扩展了领域内的最新进展。

    May, 2024

  • ICXML: 零样本极度多标签分类的上下文学习框架

    本文研究极端多标记分类（XMC）任务，提出了一种使用上下文学习方法的 In-Context Extreme Multilabel Learning（ICXML）框架，通过生成候选标签集并对其进行排名，进一步提升了 XMC 领域的研究进展。

    Nov, 2023

  • 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