所有错误并不等同：全面层次感知多标签预测（CHAMP）
机器学习
2022-06-20 v1 人工智能
计算机视觉与模式识别
摘要
本文考虑层次多标签分类（HMC）问题，其中 (i) 每个样本可存在多个标签，(ii) 标签通过特定领域层次树相关联。受“所有错误并不等同”这一直觉引导，我们提出全面层次感知多标签预测（CHAMP），一种依据层次树按误预测的严重程度进行惩罚的框架。虽有研究将此类思想应用于单标签分类，但据我们所知，关注误预测严重程度的的多标签分类此类工作有限。关键原因在于多标签设定下无法事先清晰量化误预测的严重程度。本工作中，我们提出一种简单而有效的度量来量化 HMC 中错误的严重程度，自然导出 CHAMP。在跨模态（图像、音频与文本）的六个公开 HMC 数据集上的大量实验表明，融入层次信息带来显著收益：CHAMP 相较独立的层次或 multilabel 分类方法，在 AUPRC（中位数百分比提升 2.6%）与层次度量（中位数百分比提升 2.85%）上均有改进。相较标准多标签基线，CHAMP 在鲁棒性（平均百分比提升 8.87%）与少数据情形下均提供改进的 AUPRC。此外，我们的方法提供了一个以更好错误增强现有多标签分类算法的框架（平均百分比增益 18.1%）。
引用
@article{arxiv.2206.08653,
title = {All Mistakes Are Not Equal: Comprehensive Hierarchy Aware Multi-label Predictions (CHAMP)},
author = {Ashwin Vaswani and Gaurav Aggarwal and Praneeth Netrapalli and Narayan G Hegde},
journal= {arXiv preprint arXiv:2206.08653},
year = {2022}
}