文献

J-GLOBAL ID：201902232333032744   整理番号：19A2441590

高速マルチインスタンス多重ラベル学習【JST・京大機械翻訳】

Fast Multi-Instance Multi-Label Learning

著者 (3件)： Huang Sheng-Jun (National Key Laboratory of Novel Software Technology, Nanjing University, Nanjing, China) ,  Gao Wei (National Key Laboratory of Novel Software Technology, Nanjing University, Nanjing, China) ,  Zhou Zhi-Hua (National Key Laboratory of Novel Software Technology, Nanjing University, Nanjing, China)
資料名： IEEE Transactions on Pattern Analysis and Machine Intelligence  (IEEE Transactions on Pattern Analysis and Machine Intelligence)
巻： 41  号： 11  ページ： 2614-2627  発行年： 2019年 
JST資料番号： B0519B  ISSN： 0162-8828  CODEN： ITPIDJ  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： 多くの実世界タスクにおいて,特に画像やテキストのような複雑な意味を持つデータオブジェクトを含むものは,複数のインスタンスによって表現され,同時に複数のラベルと関連する。このようなタスクは,マルチインスタンスマルチラベル学習(MIML)問題として定式化でき,過去数年間にわたって広く研究されてきた。既存のMIMLアプローチは多くの応用において有用であることが見出されている。しかし,それらのほとんどは中規模データを扱うことができる。大規模データ集合を効率的に扱うために,本論文では,まず,すべてのラベルによって共有された低次元部分空間を構築し,次に,確率的勾配降下による近似ランク付け損失を最適化するために,ラベル特異線形モデルを訓練する。MIML問題は複雑であるが,MIMLfastは,共有空間とのラベル関係を利用し,複雑なラベルのためのサブ概念を発見することにより,優れた性能を達成することができる。実験により,MIMLfastの性能は最先端技術に対して非常に競争力があるが,その時間コストははるかに少ないことを示した。さらに,本手法は各ラベルに対する最も代表的なインスタンスを同定することができ,入力パターンと出力ラベル意味の間の関係を理解するチャンスを提供する。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  近似法 ,  中規模 ,  画像 ,  定式化 ,  *学習 ,  *多重化 ,  等級づけ ,  *高速度
準シソーラス用語： 最先端技術 ,  線形モデル ,  部分空間 ,  低次元 ,  大規模データセット ,  テキスト , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： マルチ ,  インスタンス ,  多重 ,  ラベル ,  学習