A label compression method for online multi-label classification

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.