مقاله یادگیری چند برچسبی انتقالی از طریق انتشار مجموعه برچسب (2013 آی تریپل ای)

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

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.

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 از چندین 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 بر شرایط 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 است و این در حالی است که داده های بدون برچسب زیادی وجود دارد. در این مقاله، ما به بررسی مسئله یادگیری چند برچسبی انتقالی پرداخته و یک راه حل جدید موسوم به TRAM را برای تخصیص موثر برچسب های چند گانه برای هر نمونه پیشنهاد می کنیم. جدا از روش های یادگیری چند برچسبی نظارت 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. سپس از راه حل شکل بسته برای حل مسئله استفاده کرده و یک الگوریتم موثر را برای تخصیص مجموعه های برچسب به موارد بدون برچسب استفاده می کنیم. مطالعات تجربی بر روی یادگیری چند برچسبی نشان می دهند که روش TRAM قادر به بهبود عملکرد موثر طبقه بندی چند برچسبی با استفاده از داده های دارای برچسب و بدون برچسب است.