通过全局-局部信号融合实现多标签分类的自适应阈值化
机器学习
2025-05-07 v1
摘要
多标签分类（MLC）要求为每个样本预测多个标签，通常面临严重的类别不平衡和噪声条件。传统方法应用固定阈值或将标签独立处理，忽略了上下文和全局稀有性。我们引入了一种自适应阈值化机制，该机制融合全局（基于 IDF）和局部（基于 KNN）信号，为每个标签、每个实例生成阈值。我们没有将这些阈值作为硬性截断，而是将其视为损失函数中的可微惩罚项，提供平滑的监督和更好的校准。我们的架构轻量、可解释且高度模块化。在 AmazonCat-13K 基准数据集上，它实现了 0.1712 的宏 F1 分数，显著优于基于树的方法和预训练的 Transformer 方法。我们发布了完整代码，以确保可复现性和未来的扩展。
引用
@article{arxiv.2505.03118,
title = {Adaptive Thresholding for Multi-Label Classification via Global-Local Signal Fusion},
author = {Dmytro Shamatrin},
journal= {arXiv preprint arXiv:2505.03118},
year = {2025}
}