文献

J-GLOBAL ID：201902262089373218   整理番号：19A1937177

失われたラベルを用いたマルチラベル学習のための最大相関埋め込みネットワーク【JST・京大機械翻訳】

Maximal Correlation Embedding Network for Multilabel Learning with Missing Labels

著者 (5件)： Li Lu (Tsinghua-Berkeley Shenzhen Institute, Tsinghua University) ,  Li Yang (Tsinghua-Berkeley Shenzhen Institute, Tsinghua University) ,  Xu Xiangxiang (Department of Electronic Engineering, Tsinghua University) ,  Huang Shao-Lun (Tsinghua-Berkeley Shenzhen Institute, Tsinghua University) ,  Zhang Lin (Tsinghua-Berkeley Shenzhen Institute, Tsinghua University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICME  ページ： 393-398  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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,各データインスタンスをラベルの部分集合に写像する問題は,多くの実世界アプリケーションにおいて頻繁に現れる。しかし,すべてのインスタンスに対する完全なラベルアノテーションを得ることは,特にラベルセットが大きい場合には多大な努力を必要とする。結果として,欠落ラベルによるマルチラベル学習は,一般的な挑戦として残っている。既存の研究は,欠落ラベルを扱うこともできず,大規模ラベルセットに対する非線形表現性とスケーラビリティを欠いている。本論文では,欠落ラベルによるマルチラベル学習のための新しいエンドツーエンド解を提示した。著者らのアルゴリズム,最大相関埋め込みネットワークは,符号器-復号器アーキテクチャを用いた低次元ラベル埋込みを学習する。それはラベル類似性を埋め込まれたラベル空間における最大相関正則化を通してラベル類似性を利用して,欠落ラベルによる分類バイアスを減少させる。一般的なマルチラベルデータセットに関する一連の実験は,著者らのアプローチが完全なデータと部分的に観察されたデータの両方において,芸術の状態より優れていることを実証した。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： 類似性 ,  エンドツーエンド方式 ,  計算機アーキテクチャ ,  *ネットワーク ,  正則化 ,  応用プログラム ,  バイアス ,  アルゴリズム ,  部分集合 ,  符号器 ,  アノテーション ,  *学習 ,  復号器
準シソーラス用語： 低次元 ,  表現力 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： ラベル ,  マルチ ,  学習 ,  相関 ,  埋め込み