可扩展的多标签分类的标签分布学习

Nov, 2023

可扩展的多标签分类的标签分布学习

Scalable Label Distribution Learning for Multi-Label Classification

Xingyu Zhao, Yuexuan An, Lei Qi, Xin Geng

TL;DRScalable 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.

Abstract

multi-label classification (MLC) refers to the problem of tagging a given instance with a set of relevant labels. Most existing MLC methods are based on the assumption that the correlation of two labels in each label pair is symmetric, which is violated in many real-world scenarios. Mo

multi-label classification scalable label distribution learning label correlation latent space computational complexity

发现论文，激发创造

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

多标签分类的自动化机器学习

自动化机器学习在多标签分类等任务中，选择和配置机器学习算法并将其组合成适合给定数据集的机器学习流程图。通过设计一种扩展的自动化机器学习方法，该方法优化了机器学习算法的流程图，并在多标签分类中配置复杂的层次结构，进一步研究了单标签和多标签分类中自动化机器学习方法的扩展性和性能问题。

Feb, 2024

不完美环境下的学习：长尾分布和部分标签的多标签分类

本文介绍了一种新颖的任务，即 Partial labeling and Long-Tailed Multi-Label Classification（PLT-MLC），并提出了一种端到端的学习框架 CO-MIC-Balance（Correction，Modification，Balance），用于同时解决长尾分布和部分标签的多标签分类问题，该框架通过比较预测置信度和类特定阈值来修正丢失的标签，使用多聚焦的修饰符损失来同时解决头部尾部不平衡和正负不平衡，并使用平衡分类器来保持所有样本的稳定性。实验结果表明，该方法在新创建的 PLT-MLC 数据集上具有更高的有效性和鲁棒性。

Apr, 2023

标签分布学习

本文提出了一种名为标签分布学习的新型学习范式，旨在解决标签重要性分布的问题。文章提出了六种工作 LDL 算法，并选择了六种代表性和多样化的评估措施，比较了这些算法的性能。实验结果表明，算法设计对 LDL 问题的特征非常重要，实现了性能上明显的优越性。

Aug, 2014

利用多标签相关性在标签分布学习中的应用

引入辅助的多标签学习过程，恰当地利用辅助多标签学习中的低秩标签相关性，提升了标签分布学习方法的性能。

Aug, 2023

多层标签修正通过提取相近模式用于半监督语义分割

该研究提出了一种名为 Multi-Level Label Correction (MLLC) 的算法，利用图神经网络捕捉语义级别图和类别级别图中的结构关系来修正错误的伪标签，从而显著提高监督基线，并在 Cityscapes 和 PASCAL VOC 2012 数据集上超越了现有的方法。

Apr, 2024

多标签文本分类中用平衡更新和集体损失替代数据注释

通过使用预训练语言模型，在低监督情况下有效提高多标签文本分类性能的方法。

Sep, 2023

多标签分类的神经消息传递

该论文提出了一种名为 LaMP 神经网络的方法用于多标记分类问题，通过利用基于注意力的神经消息传递来有效地建模多标签的联合预测，并在七个真实世界的多标记分类数据集上验证了模型在准确性、可解释性和适用性方面的优越性，该模型具有可并行化、直观解释等特点。

Apr, 2019

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

无序学习：减轻多标记分类中的曝光偏差

本文提出了一种新的多标签分类框架，不依赖于预定义的标签顺序，有效减轻暴露偏差，通过实验结果表明，相较于竞争基线模型，该方法具有很大的优势和更好的泛化能力，可生成更好的未训练标签组合。

Sep, 2019