改进层次多标签学习中稀有节点的检测
机器学习
2026-02-10 v1 人工智能
摘要
在层次多标签分类中，一个持续的挑战是使模型预测能够到达层次的更深层次，以实现更详细或更细粒度的分类。这种困难部分源于某些类（或层次节点）的自然稀缺性，以及确保子节点几乎总是比其父节点更不常见的层次约束。为了解决这个问题，我们提出了一种用于神经网络的加权损失目标，将节点级不平衡加权与焦点加权组件相结合，后者利用现代集成不确定性量化。通过强调稀有节点而非稀有观察（数据点），并在训练期间关注每个模型输出分布中不确定的节点，我们观察到在基准数据集上召回率提高了最高可达五倍，F1分数获得统计显著提升。我们还显示，我们的方法有助于卷积神经网络应对具有挑战性的任务，特别是在编码器次优或数据有限的情况下。
引用
@article{arxiv.2602.08986,
title = {Improving Detection of Rare Nodes in Hierarchical Multi-Label Learning},
author = {Isaac Xu and Martin Gillis and Ayushi Sharma and Benjamin Misiuk and Craig J. Brown and Thomas Trappenberg},
journal= {arXiv preprint arXiv:2602.08986},
year = {2026}
}
备注
Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026