Jun, 2022

不是所有的错误都是相等的：全面层次感知多标签预测（CHAMP）

PDF
TL;DR本文探讨了层次多标签分类问题，并提出了综合层次感知多标签预测（CHAMP）框架，该框架能够根据标签之间的层次关系，对预测错误进行惩罚，实验表明将层次信息纳入多标签分类可显著提升性能。
hierarchical multi-label classificationseverity of mistakeschamphierarchical informationmultilabel classification
发现论文，激发创造
  • 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

  • CHAMP: 高效的集群层次注释与合并

    CHAMP 是一个开源的工具，能够在各种类型的文本上同时递增地构建集群和层级，从而实现高效的注释。它的增量方法与常见的成对注释方法相比显著减少了注释时间，并保证了集群和层级水平上的传递性。此外，CHAMP 还包括一种整合模式，可以轻松比较多个集群层级注释并解决争议。

    Nov, 2023

  • 医学图像分层多标签分类的 TLMCM 网络

    本论文提出了一种用于医学图像层次多标签分类的转移学习与最大约束模块网络，通过解决数据不平衡和层次约束等问题，提高了多标签预测准确度，在医疗应用领域具有重要价值。

    Nov, 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

  • 深度网络中测试时间无成本似然操纵以减小错误率

    研究表明，当前基于层次结构的分类器不能在减少深度学习分类器中较严重错误方面表现出实用的改进。然而，条件风险最小化（CRM）框架作为一种简单又有效的方法，通过修正推理时的错误来修复此问题，同时避免引入过多的超参数或更多的代码。

    Apr, 2021

  • 层次多标签分类的双曲交互模型

    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。

    May, 2019

  • 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

  • 标签关系图增强的分层残差网络用于分层多粒度分类

    该论文研究了层次多粒度分类问题，基于所提出的组合损失以及继承父级别特征的方法，设计了一种基于层次残差网络的深度神经网络结构，展示了该方法有效性在通常数据集上优于目前最先进的方法及精细分类方法利用标签层次结构。

    Jan, 2022

  • 学习分层感知特征以减少错误严重程度

    提出了一种学习层次感知特征的方法，该方法利用层次结构中的分类器并使用 Jensen-Shannon Divergence 和几何损失来训练，可以在维持 top-1 误差的情况下改善分类器错误，从而提高分类性能。

    Jul, 2022