早期序列分类政策
通过引入一种统计框架,本文提出了一种适用于任何连续分类器的校准停止规则,以有限样本、基于分布的方式控制完整和早期分类之间的准确性差距,在平均上具有较高的错误控制能力,并通过数字实验证明了该方法的有效性和实用性。
Feb, 2024
本文提出了一种采用新的优化准则的分类算法,该准则考虑了分类错误的成本和等待决策的成本,并尝试通过使用聚类或分类器来减少误判和延迟的影响,实验结果表明,这种方法优于传统的基于经验策略的方法。
May, 2020
本文提出了一种基于有限状态自动机的序列分类器,能够支持更早的分类并具有解释性和强大的实证表现。它具有可比较于 LSTM 的测试性能并具有可解释性的优点。
Oct, 2020
本文介绍用于卫星农业监测的一种新型早期分类机制,该机制能够增强现有分类模型,具有自主决策的能力,且仅通过观察卫星数据进行训练。我们在中欧农田上展示了结果,并发现此分类机制能够在植被期结束前区分许多作物类型,且分类时间和观察到的植物表现有关。
Aug, 2019
本文提出了一种无监督学习成本函数,应用于序列分类器中,采用随机原始 - 对偶梯度法建模并优化,实现了端到端的无标注学习,实验表明该方法与其他基线方法相比具有更高的错误纠正能力。
Feb, 2017
通过利用密钥相关性和值相关性来学习更好的序列表示,并通过时间感知的终止策略在现有的序列表示下决定何时停止进行密钥 - 值序列,并对同时共享相同密钥的每个个体密钥 - 值序列进行准确且早期的分类,该方法在真实和合成数据集上的实验证明其明显优于现有的基准方法。
Apr, 2024
通过将特征划分为有序的模板序列,使算法能够在保持准确性的前提下,减少计算量和加速训练,在多个 NLP 组件中能够得到应用,特别是在左到右的分词标注中表现出较好的效果。
Oct, 2014