یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب
چکیده
مسئله طبقه بندی چند برچسبی توجه زیادی را در دهه اخیر به خود جلب کرده است به طوری که هر نمونه می تواند دارای یک مجموعه ای ازچندین برچسب به طور هم زمان باشد. این طبقه بندی دارای طیف وسیعی از کاربرد ها در شرایط واقعی است.برای مثال حاشیه یابی تصویر خودکار و تحلیل عملکرد ژن تحقیقات فعلی بر روی طبقه بندی چند برچسبی برشرایط نظارت شده تاکید دارد که وجود مقدار زیادی از داده های آموزشی برچسب زده شده را فرض می کند. با این حال، در بسیاری از شرایط، برچسب زنی داده های چند برچسبی بسیار پر هزینه و زمان بر استو این در حالی است که داده های بدون برچسب زیادی وجوددارد. در این مقاله، ما به بررسی مسئله یادگیری چند برچسبی انتقالی پرداخته ویک راه حل جدید موسوم به TRAMرا برای تخصیص موثر برچسب های چند گانه برای هر نمونه پیشنهاد می کنیم. جدا از روش های یادگیری چند برچسب ینظارت شده، مجموعه های برچسب نمونه های بدون برچسب با استفاده از اطلاعات از هر دو داده های برچسب زنی شده و بدون برچسب ارایه شده اند. ما در ابتدا به بررسی یادگیری چند برچسبی انتقالی به عنوان یک مسئله بهینه سازی براورد ترکیب مفهوم برچسب می پردزایم. سپساز راه حل شکل بسته برای حل مسئله استفاده کرده و یک الگوریتم موثر را برای تخصیص مجموعه های برچسب بهموارد بدون برچسب استفاده می کنیم. مطالعات تجربی بر روییادگیری چند برچسبی نشان می دهند که روش TRAMقادر به بهبود عملکرد موثرطبقه بندیچند برچسبی با استفاده از داده های دارای برچسبو بدون برچسب است.
1- مقدمه
رویکرد های طبقه بندی سنتی فرض می کنند که هر نمونه با تنها یک برچسب کلاس در چارچوب طیف وسیعی از کلاس های کاندید ارتباط دارد. با این حال،بسیاری ازکاربرد های دنیای واقعی شامل سناریو ایی هستند که در آن هر نمونه دارای مجموعه ای از چند برچسب است. برای مثال، درحاشیه تصویر،می توان یک مجموعه از کلمات نظیر شهر ، ساختمان و جاده را الحاق کرد که نشان دهنده محتوی تصویر است(6-27). در بیو انفورماتیک، یک توالی ژنی را می توان با مجموعهای ازدستورات مختلف تعیین کرد نظیر سنتر متابولیسم و پروتین که نشان دهندهعملکرد توالی ژنی در طولحیات سلول است(10). در مرحله طبقه بندی بعدی،یک مقاله جدید می تواند ابعاد مختلف یک رویداد را پوشش دهد که دارای مجموعه ای از چند موضوع به صورت اقتصاد و سیاست است(24-28). یک مدلطبقه بندی موثر برای داده های واقعی بایستی قادر به استفاده از برچسب های مختلف هر نمونه آموزشی و پیش بینی یک مجموعه برچسب به جای یک برچسب برای هر نمونه ازمایشی باشد. بر اساس این چالش ها، مسئله یادگیری چند برچسبی توجه زیادی را در دهه اخیر جلب کرده است.
Abstract
The problem of multi-label classification has attracted great interest in the last decade, where each instance can be assigned with a set of multiple class labels simultaneously. It has a wide variety of real-world applications, e.g., automatic image annotations and gene function analysis. Current research on multi-label classification focuses on supervised settings which assume existence of large amounts of labeled training data. However, in many applications, the labeling of multi-labeled data is extremely expensive and time-consuming, while there are often abundant unlabeled data available. In this paper, we study the problem of transductive multi-label learning and propose a novel solution, called TRAM, to effectively assign a set of multiple labels to each instance. Different from supervised multi-label learning methods, we estimate the label sets of the unlabeled instances effectively by utilizing the information from both labeled and unlabeled data. We first formulate the transductive multi-label learning as an optimization problem of estimating label concept compositions. Then we derive a closed-form solution to this optimization problem and propose an effective algorithm to assign label sets to the unlabeled instances. Empirical studies on several real-world multi-label learning tasks demonstrate that our TRAM method can effectively boost the performance of multilabel classification by using both labeled and unlabeled data.
I. INTRODUCTION
Conventional classification approaches assume that each instance is associated with only one class label within a number of candidate classes. However, many real-world applications often involve the scenario where each instance can be assigned with a set of multiple labels. For example, in image annotation, one image can be tagged with a set of multiple words, such as urban, building and road, indicating the contents of the image [6], [27]. In bioinformatics, one gene sequence can be associated with a set of multiple functions, such as metabolism and protein synthesis indicating the functions of the gene sequence within a cell’s life circle [10]. In text categorization, one news article can cover multiple aspects of an event, thus being assigned with a set of multiple topics, such as economics and politics [24], [28]. An effective classification model for these real-world data should be able to adopt the multiple labels of each training example and predict a label set, instead of one single label, for each testing example. Motivated by these challenges, the problem of multi-label learning has received considerable attention in the last decade.
چکیده
مقدمه
2- مرور منابع
A: طبقه بندی چند برچسبی
B: یادگیری انتقالی
3- بیان مسئله
A: طبقه بندی چند برچسبی انتقالی
B: ایده اصلی
C: بهینه سازی
D: راه حل فرم بسته
4- پیش بینی مجموعه برچسب
A: پیش بینی مجموعه برچسب نظارت شده از طریق رگرسیون خطی
B: پیش بینی مجموعه برچسب انتقالی
5- پیچیدگی محاسباتی
6- آزمایشات
A-معیار های ارزیابی
B-کاربرد در حاشیه نویسی تصویر خودکار
C- استفاده از تحلیل کارکردی ژن مخمر
D-کاربرد به طبقه بندی صفحه وب خودکار
E- کاربرد به طبقه بندی متن
F-کاربرد به طبقه بندی عرصه طبیعی
G- اثر پارامتر ها
7- نتیجه گیری
Abstract
I. INTRODUCTION
II. RELATED WORK
A. Multi-Label Classification
B. Transductive Learning
III. PROBLEM FORMULATION
A. Transductive Multi-Label Classification
B. Basic Idea
C. Optimization
D. A Closed-Form Solution
IV. LABEL SET PREDICTION
A. Supervised Label Set Prediction via Linear Regression
B. Transductive Label Set Prediction
V. COMPUTATIONAL COMPLEXITY
VI. EXPERIMENTS
A. Evaluation Metrics
B. Application to Automatic Image Annotation
C. Application to Yeast Gene Functional Analysis
D. Application to Automatic Web Page Categorization
E. Application to Text Categorization
F. Application to Natural Scene Classification
G. The Influence of Parameters
VII. CONCLUSION
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه