医学图像分层多标签分类的 TLMCM 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
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
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。
Jun, 2022
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
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
通过在真实噪声数据上评估 Large Language Models (LLMs) 在医学编码任务的性能以及引入新的分段谐波损失函数来解决医学数据极度类别不平衡的问题,我们的实验结果表明,在训练过程中使用该损失函数,LLMs 在噪声长尾数据上取得了显著的性能提升,F1 分数超过最先进方法 10 个百分点以上。
Oct, 2023
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
本研究在多个数据集上评估了多种 Large-scale Multi-label Text Classification 方法,发现基于概率标签树的层次分类方法优于 Label-Wise Attention Networks。另外,结合 Transformer 的方法在两个数据集上实现了优秀的性能,同时提出了一种新的最先进的方法,将 BERT 与 LWANs 相结合。此外,还引入了图形感知注释接近度度量,提出了利用标签层次结构来改进少量和零 - shot 学习的新模型。
Oct, 2020
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