使用一维卷积神经网络的多尺度标签关系学习用于多标签分类
机器学习
2021-07-14 v1
摘要
我们提出多尺度标签依赖关系网络（MSDN），一种利用一维卷积核在多尺度上学习标签依赖关系的多标签分类（MLC）新方法。现代多标签分类器已采用循环神经网络（RNNs）作为记忆结构以捕获并利用标签依赖关系。然而基于RNN的MLC模型往往引入极大量参数，可能导致欠拟合/过拟合问题。所提方法使用一维卷积神经网络（1D-CNN）以更高效方式服务同一目的。通过以多种核大小训练模型，该方法能以大幅更少参数学习多尺度下标签间依赖关系。在公开基准数据集上，我们证明相较基于RNN的MLC模型，我们的模型可用远少模型参数实现更优精度。
引用
@article{arxiv.2107.05941,
title = {Multi-Scale Label Relation Learning for Multi-Label Classification Using 1-Dimensional Convolutional Neural Networks},
author = {Junhyung Kim and Byungyoon Park and Charmgil Hong},
journal= {arXiv preprint arXiv:2107.05941},
year = {2021}
}