具有约束表示复杂度的层级分类中的集合预测

Mar, 2022

具有约束表示复杂度的层级分类中的集合预测

Set-valued prediction in hierarchical classification with constrained representation complexity

Thomas Mortier, Eyke Hüllermeier, Krzysztof Dembczyński, Willem Waegeman

TL;DR本论文研究了多类分类中的集合预测问题，提出了一种基于表示复杂度的集合预测松弛方法，结合概率分类器使用特定的组合优化算法求解推断问题，并提出了三种算法，实验证明递归树搜索方法在条件类分布具有分层分类因子分解时比其他两种算法更加高效。

Abstract

set-valued prediction is a well-known concept in multi-class classification. When a classifier is uncertain about the class label for a test instance, it can predict a set of classes instead of a single class. In

multi-class classification set-valued prediction hierarchical classification representation complexity combinatorial optimization

发现论文，激发创造

基于统一框架的集合分类概述

通过一个统一的统计框架来回顾多种基于集合值分类的公式，提供了可扩展的策略和构建数据驱动算法的方法，并在真实数据集上进行实验和提供一般的实用指导。

Feb, 2021

具有有界误差水平的最少歧义集值分类器

此研究针对分类问题中存在的模糊不确定标签，提出了一种多类别集合值分类方法，在最小化分类的模糊性的前提下，保证用户定义的覆盖率和置信度，利用条件概率函数的级别集导出 oracle 分类器，并提出一种在现有单标记分类器基础上的估计器，可以在不同的实际应用需求下解决因优化而导致的输出空集问题。

Sep, 2016

无分布偏差，控制风险的预测集

本文介绍了一种基于黑盒预测器实现集值预测、控制用户指定水平下的未来测试点期望损失大小以及使用 holdout 集来校准优化预测集大小的方法，这种方法能够提供简单、分布自由和严密的误差控制，适用于多个任务，如分类问题、多标记分类、分类问题中带有层次结构的标签、图像分割和蛋白质结构预测，还有拓展探讨。

Jan, 2021

DeepSetNet：使用深度神经网络预测集合

本文介绍了如何使用深度学习进行集预测任务，以较高的准确率对多类图像分类、物体计数和行人检测预测问题进行解决。

Nov, 2016

迈向人工智能与人类互补性的预测集

采用贪婪算法，该论文发现了一种可比或更好性能的预测集构造方法，该方法能帮助基于预测集的决策支持系统有效解决分类任务。

May, 2024

深度集合预测网络

提出一种针对无序集合的预测模型，解决了现有方法忽视集合结构和存在的不连续性问题，通过单个特征向量可实现点集的自编码、图像中物体边框的预测以及物体属性集合的预测。

Jun, 2019

多类别和多标签预测中的有效和验证置信集

本文介绍一种基于分位数回归和树状结构分类器的符合性预测方法，可以有效解决多分类和多标签问题中难易样本分布不均匀、信心区间过大等挑战，且可以和任何分类模型结合使用并保证有效性。

Apr, 2020

用神经网络学习集合表示

本文提出了一种名为 RepSet 的新型神经网络体系结构，通过解决一系列网络流问题来计算输入集与一些隐藏集之间的对应关系。该体系结构可以处理表示为向量集合的示例，并且可以在端到端的梯度优化学习中使用，在文本分类和图分类等任务中取得了优秀的性能。

Apr, 2019

关于用袋、组和集合进行分类的研究

本文总结了针对集合特征向量数据集的基于监督学习的多种拓展方法，并提出了一种分类法以展示它们之间的关系，并讨论了未来的研究方向。

Jun, 2014

多重集合表示学习

本研究旨在通过学习置换不变表征来捕捉 “灵活的” 包含概念，并通过多重集的测量理论定义形式化此问题，提出理论动机的学习模型，并提出在新任务上进行训练：预测多重集对之间的对称差（或交集）的大小。我们展示了我们的模型不仅在预测包含关系方面表现出色（比具有无约束对象表示的 DeepSets 方法更有效地预测对称差和交集的大小），而且还学习了有意义的表示。

Nov, 2019