文献

J-GLOBAL ID：201702271929323844   整理番号：17A0755787

マルチラベル分類のための学習事例相関関数【Powered by NICT】

Learning Instance Correlation Functions for Multilabel Classification

著者 (3件)： Liu Huawen (Department of Computer Science, Zhejiang Normal University, Jinhua, China) ,  Li Xuelong (Center for OPTical IMagery Analysis and Learning (OPTIMAL), State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China) ,  Zhang Shichao (Department of Computer Science, Zhejiang Gongshang University, Hangzhou, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 2  ページ： 499-510  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： マルチラベル学習は,実際に広範囲の応用可能性を有する。過去数年間多くの注目を集めていると画像アノテーションおよびテキスト分類を含む多くの分野で広く研究されてきた。多くの努力が,多ラベル学習のためのなされているが,残りの二つの挑戦的な問題,すなわち,相関を利用する方法とマルチラベルデータの高次元問題に取り組む。この論文では,標的に関連するこれらのデータを利用したマルチラベル分類のための開発した効果的なアルゴリズム。鍵は訓練及びテストインスタンス間の係数に基づくマッピングの構築が,写像関係をインスタンス間の相関ではなく,変数間の明示的関係とデータのクラスラベルを利用した。さらに,l 1ノルムペナルティ,拘束は写像関係で行ったモデルは,まばらな,ノイズの多いデータの影響を弱めることである。八の公共データ集合での筆者らの実験研究は,提案した方法は最新の多ラベル分類器と比較してより効果的であることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 雑音 ,  アルゴリズム ,  写像 ,  *学習 ,  *相関 ,  モデル ,  *相関関数 ,  高次元
準シソーラス用語： 実験研究 ,  テキスト分類 ,  画像アノテーション ,  *マルチラベル分類 , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： マルチラベル分類 ,  学習 ,  相関関数