文献

J-GLOBAL ID：202102249624542933   整理番号：21A0667505

計量学習によるマルチラベル分類における矛盾問題の利用【JST・京大機械翻訳】

Exploiting Inconsistency Problem in Multi-label Classification via Metric Learning

著者 (5件)： Li Peiyan (Data Mining Lab, University of Electronic Science and Technology of China,Chengdu,China) ,  Qin Zhili (Data Mining Lab, University of Electronic Science and Technology of China,Chengdu,China) ,  Wang Honglian (Data Mining Lab, University of Electronic Science and Technology of China,Chengdu,China) ,  Yang Qinli (Data Mining Lab, University of Electronic Science and Technology of China,Chengdu,China) ,  Shao Junming (Data Mining Lab, University of Electronic Science and Technology of China,Chengdu,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICDM  ページ： 1100-1105  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： マルチラベル分類問題は,画像アノテーションや質問提案のような実世界問題への多様な応用により,近年ますます注目を集めている。しかしながら,従来のマルチラベル分類法は,入力と出力空間の不整合のために失敗する傾向があり,そこでは,特徴空間における類似インスタンスが出力空間において明確な意味ラベルを持つかもしれない。不整合問題を除去するために,本論文では,マルチラベルデータに対する類似性メトリックを学習することを試みたMLMLIと呼ばれるマルチラベル分類のための教師つきメトリック学習アプローチを提案した。基本的なアイデアは,より類似したラベルを持つインスタンスの対により高い類似性を割り当てるために,弱い監視として出力空間におけるラベル類似性を組み込むことである。この目的のために,加重三重損失とステップ指定座標降下法を採用した。従来の次元縮小手法と異なり,MLMLIはデータの事前情報に無関係であり,従って一般化の高い容量を楽しめる。さらに,MLMLIによって学習されたメトリックは,特徴学習のための新しい手がかりを提供する。実世界データセットに関する実験はMLMLIの有効性をさらに実証し,多くの最先端アルゴリズムに対する優位性を示した。Copyright 2021 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： アルゴリズム ,  *学習 ,  不整合 ,  類似性 ,  有効性 ,  次元縮小
準シソーラス用語： 事前知識 ,  特徴空間 ,  ホップ数 ,  画像アノテーション ,  *マルチラベル分類 ,  メトリック学習 , 【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 (5件)： 計量 ,  学習 ,  マルチラベル分類 ,  矛盾 ,  問題