Sep, 2022

树形方法在并行层次分类中的应用

PDF
TL;DR提出一种基于张量运算在硬件加速器上进行高效分层分类的方法，通过将给定语义树节点上的分类得分和标签批次转换为其沿着树向下的所有祖先路径上得分和标签，从而将所有标签转换为其所有祖先路径上的标签，其测试结果为在包含 20 级深度的 117,659 个分类的 WordNet 3.0 的树上，仅占用固定的 0.04GB 内存，计算量很小。
hierarchical classificationsemantic treetensor operationshardware acceleratorswordnet 3.0
发现论文，激发创造
  • 从预训练语言模型构建分类法

    本研究提出了一种使用预训练语言模型构建分类树（例如，WordNet）的方法，该方法包括预测父子关系和协调这些预测结果以形成树的两个模块。研究表明，该方法在构建英语 WordNet 子树的任务上取得了很好的成果，并在 Open Multilingual WordNet 上将结果扩展到其他九种语言。

    Oct, 2020

  • 联合层次结构学习和大规模图像分类

    本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

    Sep, 2017

  • 层次文本分类的高效策略：外部知识和辅助任务

    本文利用类定义的词嵌入作为条件来预测下一层分类，并采用合适的搜索方法，以较少的参数数在两个著名的英语数据集上优于先前的研究。

    May, 2020

  • 极限分类和密度估计的树和表示同时学习

    我们提出了一种新颖的算法，可以同时进行输入数据的表示学习和层次预测器的学习，该算法通过优化多向节点划分的平衡和易分离性来实现目标函数，从而实现分类误差的上界和提高准确性，并将算法的变体应用于文本分类和语言建模中。

    Oct, 2016

  • 一种简单而有效的图分类方法

    通过将图数据样本转换为编码树以及使用分层传递机制，提出了一种树内核和卷积网络来实现图分类，其时间复杂度低于其他图神经网络，同时验证表明其在性能和计算资源方面均优于其他方法。

    Jun, 2022

  • 利用几何深度学习对分层文本进行分类：以临床试验语料库为例

    使用几何深度学习方法将临床试验文件表示为图形，使用选择性图形汇集方法提高了分类准确性，最终在一个包含 360K 份临床试验文件的公共数据库上实现了 0.85 的 F1 分数。

    Oct, 2021

  • HiNet：神经网络的分层分类

    通过基于神经网络的分层架构和推断算法，解决了使用扁平化标签分类超过 1 万个不同跟踪的困境并实现了最大后验迹。

    May, 2017

  • 声学场景分类的标签树嵌入

    本文提出了一种利用类别标签结构实现高效声学场景分类的方法，首先通过学习类别标签的聚类来自动构建一个多层结构的元类别分类学，然后将声学场景嵌入到低维度的特征表示中进行分类，该方法在 DCASE 2013 和 LITIS Rouen 数据集上均取得了最先进的结果。

    Jun, 2016

  • HetTree：异构树图神经网络

    本文提出了 HetTree，一种新颖的异构树图神经网络，以一种可扩展且有效的方式对图结构和异构性进行建模，通过构建一个语义树数据结构来捕捉元路径之间的层次关系，使用子树注意机制强调更有助于编码父子关系的元路径，并通过匹配相应的元路径仔细处理节点特征和标签，从而提供了更准确和丰富的信息

    Feb, 2024

  • 重要学术会议论文的层次主题分类

    本文发展了一个用于层次化文本分类的决策支持系统，提出了一种加权层次化相似性函数来计算主题的相关性，并使用熵来估计权重。通过与其他方法比较，该加权层次化相似性函数在主题排名准确性方面有了更好的改进。

    Jun, 2024