یادگیری چند برچسبی با برچسب ضعیف

0 out of 5

60,000ريال

English Title: Multi-Label Learning with Weak Label

Abstract
Multi-label learning deals with data associated with multiple labels simultaneously. Previous work on multi-label learning assumes that for each instance, the “full” label set associated with each training instance is given by users. In many applications, however, to get the full label set for each instance is
difficult and only a “partial” set of labels is available. In such cases, the appearance of a label means that the instance is associated with this label, while the absence of a label does not imply that this label is not proper for the instance. We call this kind of problem “weak label” problem. In this paper, we propose the WELL (WEak Label Learning) method to solve the weak label problem. We  consider that the classification boundary for each label should go across low density regions,and that each label generally has much smaller number of
positive examples than negative examples. The objective is formulated as a convex optimization problem which can be solved efficiently. Moreover, we exploit the correlation between labels by assuming that there is a group of low-rank
base similarities, and the appropriate similarities between instances for different labels can be derived from these base similarities. Experiments validate the performance of WELL.

چکیده

یادگیری چندبرچسبی با داده­هایی با چند برچسب به صورت همزمان سروکار دارد. کار قبلی روی یادگیری چندبرچسبی فرض می­کند که برای هر نمونه، برچسب "full" (کامل) مرتبط با هر نمونه آموزش که توسط کاربر داده شده است قرار گرفته است. در بسیاری از کاربردها، اگرچه، قرار دادن برچسب کامل به هر نمونه ای دشوار است و فقط مجموعه برچسب­های "partial" (جزئی) موجود است. در چنین مواردی، ظاهر یک برچسب به این معنی است که نمونه با این برچسب مرتبط است، در حالی که نبودن یک برچسب دلالت بر مرتبط نبودن این برچسب برای نمونه نیست. این نوع از مشکلات را مشکل "weak label" (برچسب ضعیف) می­نامیم. در این مقاله، متد WELL (Weak Label Learning) یادگیری برچسبی ضعیف را برای حل مشکل برچسب ضعیف پیشنهاد می­کنیم. ما فرض می­کنیم که مرز طبقه بندی برای هر برچسب باید از ناحیه­های با تراکم کم عبور کند، و هر برچسب عموما تعداد مثال­های مثبت بسیار کمتری نسبت به مثال­های منفی دارد. هدف به صورت یک مسئله بهینه سازی محدب که می تواند به صورت کارآمد حل شود، فرموله شده است. علاوه بر این، ما از همبستگی بین برچسب ها درمی یابیم که با فرض اینکه گروهی از شباهت های پایه کم رتبه وجود دارد و شباهت­های مناسبی بین نمونه­ها برای برچسب­های مختلف را می­توان از این شباهت­های پایه مشتق نمود. آزمایشات کارآیی WELL را تایید می­کنند.


6 صفحه متن انگلیسی

9 صفحه ترجمه فارسی

دسته بندی: .