کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6940210 | 1450008 | 2018 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A label compression method for online multi-label classification
ترجمه فارسی عنوان
یک روش فشرده سازی برچسب برای طبقه بندی چند لایحه آنلاین
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
ترجمه چکیده
بسیاری از برنامه های مدرن با داده های چند برچسب، مانند دسته بندی های عملکردی ژن ها، برچسب گذاری تصویر و طبقه بندی متن، در ارتباط هستند. طبقه بندی چنین داده هایی با تعداد زیادی از برچسب ها و وابستگی های نهفته در میان آنها یک کار چالش برانگیز است، و هنگامی که داده ها به صورت آنلاین و به صورت توقیف دریافت می شود، حتی بیشتر به چالش کشیده می شود. بسیاری از روشهای طبقه بندی فعلی چند لایک نیاز به زمان و حافظه زیادی دارند، که آنها را برای برنامه های کاربردی واقعی در دنیای واقعی به خطر می اندازد. در این مقاله، ما یک روش کاهش فاصله فضای خطی خطی را پیشنهاد می دهیم که برچسب ها را به یک فضای کد شده محدود می کند و مدل های آموزش را بر روی برچسب های شبه بدست آمده بدست می آورد. علاوه بر این، یک روش تحلیلی برای به روز رسانی ماتریس رمزگشایی که برچسب ها را در فضای اصلی قرار می دهد و در مرحله فاز استفاده می شود فراهم می کند. نتایج تجربی اثربخشی این رویکرد را از لحاظ زمانهای اجرا و عملکرد پیش بینی بر اقدامات مختلف نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Many modern applications deal with multi-label data, such as functional categorizations of genes, image labeling and text categorization. Classification of such data with a large number of labels and latent dependencies among them is a challenging task, and it becomes even more challenging when the data is received online and in chunks. Many of the current multi-label classification methods require a lot of time and memory, which make them infeasible for practical real-world applications. In this paper, we propose a fast linear label space dimension reduction method that transforms the labels into a reduced encoded space and trains models on the obtained pseudo labels. Additionally, it provides an analytical method to update the decoding matrix which maps the labels into the original space and is used during the test phase. Experimental results show the effectiveness of this approach in terms of running times and the prediction performance over different measures.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 111, 1 August 2018, Pages 64-71
Journal: Pattern Recognition Letters - Volume 111, 1 August 2018, Pages 64-71
نویسندگان
Zahra Ahmadi, Stefan Kramer,