- 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。
- ProbMCL:简单的多标签视觉分类概率对比学习
在多标签图像分类任务中,我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架,通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战,并在计算机视 - 基于机器阅读理解的命名实体识别:一种多任务学习方法
本文提出了一种多任务学习框架,将标签依赖关系融入基于机器阅读理解的命名实体识别,通过使用自注意力模块来捕捉标签之间的依赖关系,实现更好的性能。
- 端到端监督式多标签对比学习
该研究提出了一种新的端到端训练框架 ——KMCL(基于核的多标签对比学习),以解决模型和数据中心设计的缺点。KMCL 通过将嵌入特征转化为高斯 RKHS 中指数核的混合,然后进行目标损失编码,包括重构损失、非对称分类损失和对比损失来捕捉标签 - IJCAI基于图形消歧的深度部分多标签学习
本文提出利用图形解析和深度模型相结合的方法 ——PLAIN 应对 PML 问题,提高其精确性和鲁棒性。该方法在多个合成数据集和三个实际 PML 数据集上都表现出显著的优越性。
- 图马尔可夫神经网络的公平评估
本文介绍了一种名为 GMNN 的图马尔可夫神经网络模型用于半监督节点分类,它在节点特征、图结构、邻居节点标签三个方面提高节点标签预测的准确性,并使用 WikiVitals 数据集进行了有效性验证,研究中使用了适当的随机化方法进行模型性能比较 - EMNLP基于标签推理的细粒度实体类型判定
该论文提出了 Label Reasoning Network (LRN),通过发现和利用数据中隐含的外在和内在依赖关系知识,从而顺序推理细粒度实体标签,有效地建模、学习和推理复杂标签依赖关系,从而解决实体类型分类的挑战。实验结果表明,LRN - EMNLP长尾类分布的多标签文本分类平衡方法
研究了在多标签文本分类中应用分布平衡损失函数的有效性,结果表明分布平衡损失函数优于常用的损失函数,尤其是在类别不平衡和标签耦合问题同时存在时。
- ECCV基于注意力机制的动态图卷积神经网络用于多标签图像识别
本文提出了一种基于动态图卷积神经网络 (D-GCN) 和语义注意力模块 (SAM) 的注意力驱动动态图卷积网络 (ADD-GCN) 来消除训练数据中标签共现对模型泛化性能的影响,实现图像特征的提取和标签识别任务,并且在公共多标签基准测试中的 - EMNLP基于结构最近邻学习的简单有效少样本命名实体识别
论文提出了一个基于最近邻学习和结构化推理的简单的少样本命名实体识别系统,使用一个有监督的 NER 模型在源领域上进行训练,作为特征提取器,提出了一种捕获实体标签之间标签依赖性的廉价但有效的方法,并将结构化解码与最近邻学习相结合,达到了先进的 - 一种集体学习框架以提高 GNN 表达能力
本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架,用于将当前的 GNN 模型进行增强以实现节点分类,实验结果表明,该方法在五个真实世界的网络数据集上都取得显著的性能提升。
- EMNLP学习如何学习和预测:一种用于多标签分类的元学习方法
本文提出了一种利用元学习方法和训练策略捕捉标签依赖关系的元学习方法,其训练策略用于交叉熵损失函数训练分类器,预测策略则用于预测。实验结果表明该方法可以更准确地进行多标签分类。
- CVPR基于图卷积网络的多标签图像识别
提出了一种基于图卷积网络的多标签分类模型,通过建立对象标签之间的图,学习一个对相互依赖的物体分类器的表示,同时使用重新加权的方法来创建有效的标签相关矩阵以指导 GCN 中节点之间的信息传播,在两个多标签图像识别数据集上实验证明了方法的有效性 - KDD利用多标记评估指标的反单调性诱导多标记规则
本文研究了多标签头的归纳规则中标签组合数目随标签数量呈指数级增长的挑战性,并测试了多标签评估指标是否满足抗单调性和可分解性等性质,以便于用于多标签头的规则挖掘。
- CVPRCNN-RNN:一种多标签图像分类的统一框架
本文提出了一种基于卷积神经网络和循环神经网络的框架,用于多标签图像分类,通过学习图像标签嵌入特征,显式地利用了图像标签之间的关联性,拥有较好的分类性能。