کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8953599 1645950 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-label active learning based on submodular functions
ترجمه فارسی عنوان
یادگیری فعال چند برچسب بر اساس توابع زیرمودولار
ترجمه چکیده
در کار جمع آوری اطلاعات گران تر است که نمونه را در یک مسئله ی یادگیری چند لایحه توضیح دهیم، زیرا هر نمونه با برچسب های چندگانه مرتبط است. بنابراین مهمتر از آن است که روش یادگیری فعال در یادگیری چند لایتی برای کاهش هزینه های برچسب گذاری، مورد استفاده قرار گیرد. تحقیقات اخیر نشان می دهد که بهینه سازی عملکرد زیرمودولار به خوبی در مورد انتخاب زیر مجموعه کار می کند و تضمین عملکرد نظری را فراهم می کند در حالی که همزمان بهینه سازی بسیار سریع را حفظ می کند. در این مقاله، ما یک استراتژی پرس و جو را با ساخت یک تابع زیرمودار برای جفت های برچسب نمونه انتخابی پیشنهاد می کنیم که می تواند اطلاعات و نمایندگی را اندازه گیری و ترکیب کند. بنابراین، مسئله یادگیری فعال می تواند به عنوان یک مسئله به حداکثر سازی تابع زیرمودولاسیون، که می تواند به صورت مؤثر و مؤثر با یک الگوریتم ساده تنطیم پر رونق حل شود، تشکیل می شود. نتایج تجربی نشان می دهد که رویکرد پیشنهادی از چندین روش پیشرفته یادگیری فعال چند منظوره پیشرفته برخوردار است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یادگیری فعال چند برچسب بر اساس توابع زیرمودولار
چکیده انگلیسی
In the data collection task, it is more expensive to annotate the instance in multi-label learning problem, since each instance is associated with multiple labels. Therefore it is more important to adopt active learning method in multi-label learning to reduce the labeling cost. Recent researches indicate submodular function optimization works well on subset selection problem and provides theoretical performance guarantees while simultaneously retaining extremely fast optimization. In this paper, we propose a query strategy by constructing a submodular function for the selected instance-label pairs, which can measure and combine the informativeness and representativeness. Thus the active learning problem can be formulated as a submodular function maximization problem, which can be solved efficiently and effectively by a simple greedy lazy algorithm. Experimental results show that the proposed approach outperforms several state-of-the-art multi-label active learning methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 313, 3 November 2018, Pages 436-442
نویسندگان
, , ,