کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6857350 662176 2016 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An approach for multi-label classification by directed acyclic graph with label correlation maximization
ترجمه فارسی عنوان
یک رویکرد برای طبقه بندی چند لایحه با استفاده از نمودار آسیلیک شده با حداکثر سازی همبستگی برچسب
کلمات کلیدی
یادگیری چند برچسب، نمودار آسیلیک هدایت شده، شبکه بیزی، آنتروپی شرطی،
ترجمه چکیده
روشهای یادگیری تحت نظارت سنتی در درجه اول در محیط تک برچسب کار می کنند. با این حال، در بسیاری از مشکلات دنیای واقعی، نمونه های داده معمولا با برچسب های متعدد به طور همزمان همراه هستند، و یادگیری چند لایک در بسیاری از برنامه های مدرن مورد نیاز است. در یادگیری چند لایحه، کلید موفقیت آمیز طبقه بندی به طور موثر بهره برداری از همبستگی پیچیده بین برچسب های خروجی است. این مقاله پیشنهاد جدیدی از روش یادگیری چند لایحه را با الگویی از رویکرد زنجیره طبقه بندی ارائه می دهد. سهم اصلی این کار این است که همبستگی برچسب ها را با استفاده از یک نمودار تصادفی هدایت شده مدل کنیم. از طریق مفهوم بصری ساده اندازه گیری همبستگی بین برچسب ها، روش پیشنهادی به عنوان یک روش یادگیری چند لایه طراحی شده است که ارتباطات بین برچسب ها را به حداکثر می رساند. برای ارزیابی اثربخشی آن، روش پیشنهادی با رویکردهای پیشرفته مقایسه شده است. آزمایش های گسترده نشان داد که روش پیشنهادی با سایر روش های چند منظوره بسیار رقابتی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک رویکرد برای طبقه بندی چند لایحه با استفاده از نمودار آسیلیک شده با حداکثر سازی همبستگی برچسب
چکیده انگلیسی
Traditional supervised learning approaches primarily work in the single-label environment. However, in many real-world problems, data instances are usually associated with multiple labels simultaneously, and multi-label learning is increasingly required in many modern applications. In multi-label learning, the key to successful classification is effectively exploiting the complex correlations among the output labels. This paper proposes a novel multi-label learning method inspired by the classifier chain approach. The main contribution of this work is to model the correlations of the labels using a directed acyclic graph. Starting from the simple intuitive notion of measuring the correlations among the labels, the proposed method is designed as a multi-label learning method that maximizes the correlations among labels. To evaluate its effectiveness, the proposed method is compared with the state-of-the-art approaches. Extensive experiments demonstrated the proposed method to be highly competitive with the other multi-label approaches.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volume 351, 10 July 2016, Pages 101-114
نویسندگان
, , , ,