文献

J-GLOBAL ID：202002243136581439   整理番号：20A1074968

ML-LRC:ラベル雑音を用いた低ランク制約ベースのマルチラベル学習【JST・京大機械翻訳】

ML-LRC: Low-rank-constraint-based Multi-label Learning with Label Noise

著者 (4件)： Wang Xiaoying (College of Command Control Engineering, Army Engineering University of PLA,Nanjing,China) ,  Xie Jun (College of Command Control Engineering, Army Engineering University of PLA,Nanjing,China) ,  Yu Lu (College of Communications Engineering, Army Engineering University of PLA,Nanjing,China) ,  Tao Xingliu (College of Communications Engineering, Army Engineering University of PLA,Nanjing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ITNEC  ページ： 129-136  発行年： 2020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： 既存のマルチラベル学習アルゴリズムは,得られたデータセットにおけるすべてのクラスラベルが完全に正確であると仮定している。この仮定はほとんど有効ではない。ラベル空間のスケールが増加するにつれて,限られたドメイン知識とデータ収集の方法の間の差異のために,いくつかの例はラベル付けされないか,または誤ラベルされる。このような雑音の導入により,訓練されたマルチラベル分類器の性能が悪くなる。本論文では,ラベル雑音(ML-LRC)による低ランク制約ベースのマルチラベル学習と呼ばれるラベル雑音を有するマルチラベル学習のための新しい方法を提案した。最初に,2つの強い相関ラベルが2つの弱い相関ラベルより多くのサンプルを共有すると仮定した。この仮定に基づいて,ML-LRCはラベル行列に低ランク制約を適用し,クラスラベルの局所相関をマイニングし,観測されたラベル行列から雑音を除去する。第二に,各クラスラベルはいくつかの特徴にのみ相関すると信じる。そこで,著者らは,モデルの複雑さを減少させることができて,分類装置の性能を大いに向上させることができる,標識特異的特徴をフィルターアウトするために,係数マトリックスのスパース性を制御した。この問題を解くために,加速された近位勾配法と乗算器の交互方向法を採用した。4つのベンチマークマルチラベルデータセットで行った実験は,いくつかの最先端の方法と比較して,提案した方法の競合性能を実証した。Copyright 2020 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： *雑音 ,  フィルタ ,  *学習 ,  傾斜法 ,  分類装置 ,  乗算器 ,  データ収集 ,  ベンチマーク ,  学習アルゴリズム ,  ドメイン知識
準シソーラス用語： スパース性 ,  マルチラベル分類 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： ML ,  ラベル ,  雑音 ,  制約 ,  マルチ ,  学習