May, 2023

多标签学习的极简学习机

HTML
PDF
TL;DR这篇论文提出了一种基于距离的监督学习方法，称为minimal learning machine，它可以通过学习输入和输出距离矩阵之间的映射来构建预测模型，并尝试将这个技术及其核心组件（距离映射）应用到多标签学习上。结果表明，这种方法在小到中等规模的多标签学习问题上的表现优于其他方法，其模型构建简单线性、确定性强，可评估预测的不确定性，且超参数选择方便。
发现论文，激发创造
  • 缺失标签的大规模多标签学习

    本文研究多标记问题的通用经验风险最小化框架，提出了一种简单的框架，能高效地解决数据中存在缺失标记和标记量极大的问题。通过特定损失函数的结构，基于该框架设计了有效算法，进一步证明了该框架在存在缺失标记时的形式化过度风险边界。此外，对于低秩促进的迹-范数正则化，我们的风险界更紧，表现出更好的泛化性能。最后，在各种基准数据集上进行实验，证明了本方法的优越性以及其可扩展性。

    Jul, 2013

  • 具有不完整标签分配的大规模多标签学习

    本文研究了多标签学习的不完整标签分配问题，提出了一种名为MPU的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。

    Jul, 2014

  • 多标记学习的本地Rademacher复杂度

    本文研究了基于ERM的多标签学习算法的本地Rademacher复杂度，并提出一种新算法，通过集中在尾奇异值上而不是所有奇异值上，更好地恢复多标签预测器的低秩结构，从而利用标签之间的相关性。我们提出了一种新的条件奇异值阈值算法来解决本文提出的目标函数。实证研究验证了我们的理论结果，并证明了所提出算法的有效性。

    Oct, 2014

  • 极端多标签学习的本地非线性嵌入

    本文介绍了X-One分类器，其使用小型本地距离保存嵌入，可以准确预测罕见（尾部）标签的聚合，提高了分类准确性，可有效且较之于嵌入法和树法的现有极端多标签分类算法，对于拥有百万标签的数据集也能高效扩展。

    Jul, 2015

  • CascadeML:多标签分类自动神经网络架构演化与训练算法

    本论文在多标签领域提出一种神经网络算法，CascadeML，用于基于级联神经网络的多标签神经网络的训练，无需或最小化超参数调整，并考虑标签之间的关联，同时能够获得很好的性能。

    Apr, 2019

  • 来自聚合标签的极端多标记分类

    我们开发了一种新的可扩展算法，用于从组标签中填充单个样本标签，并提供了一个新的端对端框架作为扩展，解决多示例多标签问题，在聚合标签的XMC和MIML任务上的实验表明了对现有方法的优势。

    Apr, 2020

  • 半监督预测聚类树用于（分层）多标记分类

    本文考察了在复杂预测任务中半监督学习的应用，提出了一种基于预测聚类树的（分层）多标签分类方法，并通过实验评估证明了该方法及其集成学习的显着优势。此外，该方法具有可解释性和时间复杂度优势。

    Jul, 2022

  • 面向不平衡的大规模多标签分类与部分标注的研究

    研究了如何使用部分标签对神经网络进行训练，解决多标签分类中的标签不平衡问题，并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验，结果显示该方法优于现有的一些最先进方法，甚至在部分标注情况下超越了使用完整标签训练的方法。

    Jul, 2023

  • 可扩展的多标签分类的标签分布学习

    Scalable Label Distribution Learning (SLDL) is proposed for multi-label classification, where different labels are described as distributions in a latent space with asymmetric correlation, independent of the number of labels, resulting in little computational consumption.

    Nov, 2023

  • 多标签学习的深度学习：综合调查

    综述了深度学习在多标签学习中的最新进展，包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构，并提出了对现有方法的比较分析，以提供有洞察力的观察和促进该领域未来的研究方向。

    Jan, 2024