Aug, 2021

DECAF：标签特征下的深度极端分类

PDF
TL;DR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。
发现论文，激发创造
  • 深度森林多标签学习

    该研究提出了一个名为 MLDF 的多标签深度森林方法，该方法利用度量感知特征重用和度量感知层增长机制同时解决了多标签问题中的两个难点：模型复杂性约束和性能度量优化。实验证明，与基准数据集上的其他方法相比，我们的提议不仅击败了六个度量标准，而且在多标签学习中具有标签相关性发现和其他期望的属性。

    Nov, 2019

  • LaF：用于自动深度神经网络重用的无标记模型选择

    本文提出了一种基于贝叶斯模型的无标签模型选择方法，该方法可以用于深度学习中的预训练模型选择，实验结果表明该方法在多个基准数据集和 DNNs 上表现优异。

    Apr, 2022

  • 深度卷积排序多标签图像注释

    通过结合卷积结构和近似 top-k 排名目标，利用深度神经网络的特征，改进了多标签图像注释，并在 NUS-WIDE 数据集上实现了比传统视觉特征高大约 10% 的性能表现，提出了一种有效的方法。

    Dec, 2013

  • 大规模图像标注的多模态多尺度深度学习

    本文提出了一种新的多尺度深层模型来提取富有判别性的特征，能够表示从物体、场景到抽象概念的各种视觉概念，并引入标签数量预测辅助任务来明确估计给定图像的最优标签数量。在两个大规模图像注释基准数据集上进行了广泛的实验，结果表明我们的方法明显优于现有技术水平。

    Sep, 2017

  • 语义嵌入式深度神经网络：提升多标签图像分类性能的通用方法

    本文介绍了一种使用语义嵌入深度神经网络，采用基于空间感知语义特征和通道注意力模型的方法来提高多标签预测模型性能的方法。实验证明，与基线方法相比，该方法平均相对改进 15.27％，在 Instagram 时尚服装图像上进行了多标签时尚属性分类的核心实验和消融研究，并将模型性能与我们的方法进行比较，发现我们的方法性能更优秀。

    May, 2023

  • 多标签少样本方面类别检测的标签驱动去噪框架

    该研究论文提出了一种新的子任务：多标签少样本的方面类别检测，使用标签驱动的去噪框架解决了当前任务中存在的噪声问题，实验结果表明该框架的性能优于目前其他先进的方法。

    Oct, 2022

  • 用于强健图像标注的深度和广度多尺度递归网络

    本文提出了新型神经网络 DAWMR，通过其宽结构，大视野，递归迭代和可并行架构等性质，实现了对图像标记问题的精确分类，并且在边界预测这一具体问题上，本文还介绍了一种改进的例子加权算法， DAQMR 网络在 3D 电子显微镜数据的神经回路重建方面也表现出良好的性能。

    Oct, 2013

  • 基于聚类的归纳式无监督领域自适应在几类问题中的应用

    本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。

    Jun, 2020

  • 多注释者深度学习：用于分类的概率框架

    我们提出了一个名为 MaDL 的概率训练框架，其中联合训练了一个基础真实模型和一个注释者模型来解决多注释者监督学习中存在的嘈杂标签问题，并获得了最先进的性能。

    Apr, 2023

  • 基于知识增强的多标签少样本产品属性值提取

    通过使用原型网络基于生成的标签描述和类别信息，结合混合注意力以减少噪音并捕获更多信息以实现更具有区别性的原型，我们提出了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型，并通过整合支持集和查询集的语义信息来学习动态阈值实现多标签推断。大量的实验和消融研究表明，KEAF 在少样本学习中的信息提取任务中优于其他 SOTA 模型。

    Aug, 2023