文献

J-GLOBAL ID：202002271911837530   整理番号：20A2262993

多視点部分マルチラベル学習のための特徴誘起多様体曖昧性解消【JST・京大機械翻訳】

Feature-Induced Manifold Disambiguation for Multi-View Partial Multi-label Learning

著者 (5件)： Wu Jing-Han (Southeast University & Alibaba Group, Nanjing, China) ,  Wu Xuan (Alibaba Group, Hangzhou, China) ,  Chen Qing-Guo (Alibaba Group, Hangzhou, China) ,  Hu Yao (Alibaba Group, Hangzhou, China) ,  Zhang Min-Ling (Southeast University, Nanjing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’20  ページ： 557-565  発行年： 2020年 
JST資料番号： D0698C  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： 従来のマルチラベル学習フレームワークにおいて,各事例は単一特徴ベクトルによって表現され,同時に複数の有効なラベルと関連すると仮定した。それにもかかわらず,実世界オブジェクトは通常,マルチビュー特徴表現と偽陽性ラベリングを持つ複雑な性質を示す。したがって,マルチビュー部分マルチラベル学習(MVPML)の問題を,この論文で研究し,そこでは,各用例が,部分的に有効な複数の候補ラベルと関連する間,複数の特徴ベクトルによって提示されると仮定される。MVPML用例から学ぶために,FIMANという新しい方式を提案して,雑音のあるラベリング情報に取り組むためにマルチビュー特徴表現を利用した。最初に,トレーニング用例に関する凝集体マニホールド構造は,いろいろな見解の特徴ベクトルによって伝達する親和性情報を適応的に融合することによって作り出した。次に,各訓練例の候補ラベルを,ラベル空間における特徴誘導多様体構造を保存することによって解消した。最後に,得られた予測モデルを,あいまいなラベルによるモデリング出力のフィッティングによって学習した。多くの実世界データ集合に関する広範な実験は,FIMANがMVPML問題を解く際に最先端の手法に対して非常に競合的な性能を達成することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *多様体 ,  *学習 ,  マニホールド ,  親和性 ,  曖昧さ ,  凝集体 ,  予測モデル
準シソーラス用語： 用例 ,  特徴ベクトル ,  マルチビュー ,  特徴表現 , 【Automatic Indexing@JST】

著者キーワード (4件)： 曖昧性解消 ,  マルチラベル学習 ,  マルチビュー ,  部分ラベル学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： 視点 ,  マルチ ,  ラベル ,  学習 ,  誘起 ,  多様体 ,  曖昧性解消