文献

J-GLOBAL ID：202002285331431516   整理番号：20A2255552

依存性最大化によるマルチラベル分類のためのラベル埋込み【JST・京大機械翻訳】

Label Embedding for Multi-label Classification Via Dependence Maximization

著者 (2件)： Li Yachong (School of Mathematics and Statistics, Xidian University, Xi’an, People’s Republic of China) ,  Yang Youlong (School of Mathematics and Statistics, Xidian University, Xi’an, People’s Republic of China)
資料名： Neural Processing Letters  (Neural Processing Letters)
巻： 52  号： 2  ページ： 1651-1674  発行年： 2020年 
JST資料番号： W0953A  ISSN： 1370-4621  CODEN： NPLEFG  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： マルチラベル分類は,様々な分野で広範囲な注目を集めている。高次元ラベル空間の出現により,学界は,近年,ラベル埋込みの実行に専念した。現在の埋込み手法は,埋込み空間を学習する間,十分に特徴空間相関を考慮せず,符号化機能を必要とする。そのうえ,それらのほとんどは,欠測ラベルを追跡するために広げることができる。本論文では,ラベルと特徴情報を同時に埋め込む潜在空間を得る,依存性最大化(LEDM)によるラベル埋込み法を提案した。このために,ラベル行列に関する低ランク因数分解モデルを適用して,符号化プロセスの代わりにラベル相関を利用した。特徴空間とラベル空間の依存性は,予測可能性を容易にするためにHilbert-Schmidt独立基準によって増加した。本提案のLEDMは,同時に学習された空間における欠落ラベルを容易に拡張できる。データセットに関する包括的な実験結果は,完全ラベルと欠測ラベルケースの両方に関する最先端の方法に対する著者らのアプローチの有効性を実証した。Copyright Springer Science+Business Media, LLC, part of Springer Nature 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  因数分解 ,  高次元 ,  有効性 ,  予測可能性
準シソーラス用語： 特徴空間 ,  *マルチラベル分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： マルチラベル学習 ,  ラベル埋込み ,  低ランク因数分解 ,  Hilbert-Schmidt独立基準 ,  失われたラベル

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)： 依存性 ,  最大化 ,  マルチラベル分類 ,  ラベル ,  埋込み