基于划分的极端多标签分类中的标签解耦
机器学习
2021-06-25 v1 机器学习
摘要
由于对大输出空间(例如百万或更多)的可扩展性,基于划分的方法在极端多标签分类(XMC)问题中被越来越多地使用。然而,现有方法将大标签空间划分为互斥的簇,当标签具有多模态与丰富语义时这是次优的。例如,标签“Apple”可以是水果或品牌名,这引出如下研究问题:我们能否通过为下游XMC任务量身定制的非互斥聚类来解耦这些多模态标签?在本文中,我们表明基于划分的XMC中的标签分配问题可被表述为一个以最大化精确率为目标的优化问题。这带来了一种形成灵活且重叠标签簇的高效算法,以及一种可交替优化基于划分XMC的簇分配与模型参数的方法。在合成与真实数据集上的实验结果表明,我们的方法能成功解耦多模态标签,在四个XMC基准上取得了最先进(SOTA)结果。
引用
@article{arxiv.2106.12751,
title = {Label Disentanglement in Partition-based Extreme Multilabel Classification},
author = {Xuanqing Liu and Wei-Cheng Chang and Hsiang-Fu Yu and Cho-Jui Hsieh and Inderjit S. Dhillon},
journal= {arXiv preprint arXiv:2106.12751},
year = {2021}
}