HOT-VAE：基于注意力变分自编码器的多标签分类高阶标签关联学习
机器学习
2021-03-12 v1 人工智能
摘要
理解环境特征如何影响从单个物种到物种群落的生物多样性格局，对于缓解全球变化的影响至关重要。保护规划与监测的一个核心目标是能够准确预测物种群落的出现及其随空间和时间的变化。这进而引出了计算机科学领域中一个极具挑战且长期存在的问题——如何对数百个标签进行准确的多标签分类？该问题的关键挑战在于其输出空间相对于待预测标签数量呈指数级增长。因此，利用标签间的相关性（或依赖关系）来促进学习过程至关重要。以往方法多聚焦于建模标签对之间的关联；然而，真实世界对象间的复杂关系常超越二阶。本文提出一种用于多标签分类的新框架——高阶关联变分自编码器（HOT-VAE），其执行自适应的高阶标签关联学习。我们通过实验验证，在鸟类分布数据集上，我们的模型在传统 F1 分数及多种生态学指标上均优于现有最优方法。为表明方法的通用性，我们还在多个应用领域的其他七个公开真实世界数据集上进行了实证分析，HOT-VAE 展现出优于以往方法的性能。
引用
@article{arxiv.2103.06375,
title = {HOT-VAE: Learning High-Order Label Correlation for Multi-Label Classification via Attention-Based Variational Autoencoders},
author = {Wenting Zhao and Shufeng Kong and Junwen Bai and Daniel Fink and Carla Gomes},
journal= {arXiv preprint arXiv:2103.06375},
year = {2021}
}
备注
accepted at AAAI'21 AISI