GaussianMLR：通过校准多标签排序学习隐式类别显著性
机器学习
2023-03-08 v1
摘要
现有多标签框架仅利用由标签二划分为正集与负集所推导的信息。因此，它们未能受益于正标签之间的排序顺序，而这是我们在本文中引入的概念。我们提出一种新颖的多标签排序方法：GaussianMLR，其旨在通过统一与多标签排序相关的排序与分类任务的方法，学习决定正标签排位的隐式类别显著性值，而非将其视为同等重要。由于公开数据集稀缺，我们引入了八个在不同显著性因子下生成的合成数据集，以为本研究提供丰富且可控的实验环境。在真实与合成数据集上，我们与相关基线进行了广泛比较，并在两个子任务上评估性能。我们表明，我们的方法能够准确学习所纳入正排位顺序的表示，其不仅与真实情况一致，且与底层信息成比例。我们通过开展全面的实验研究在经验上强化了我们的主张。代码见 https://github.com/MrGranddy/GaussianMLR。
关键词
引用
@article{arxiv.2303.03907,
title = {GaussianMLR: Learning Implicit Class Significance via Calibrated Multi-Label Ranking},
author = {V. Bugra Yesilkaynak and Emine Dari and Alican Mertan and Gozde Unal},
journal= {arXiv preprint arXiv:2303.03907},
year = {2023}
}