검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Recursive Nearest Neighbor Graph Partitioning for Extreme Multi-Label Learning 극한 다중 레이블 학습을 위한 재귀적 최근접 이웃 그래프 분할

Yukihiro TAGAMI

  • 조회수

    0

  • 이것을 인용

요약 :

웹 관련 다중 레이블 분류 문제의 데이터 크기가 계속 증가함에 따라 레이블 공간도 엄청나게 커졌습니다. 예를 들어, 웹 페이지 태그 지정 및 전자 상거래 추천 작업에 나타나는 레이블 수는 수십만 또는 수백만에 이릅니다. 본 논문에서는 극단적인 다중 레이블 학습을 위한 새로운 접근 방식인 그래프 분할 트리(GPT)를 제안합니다. 트리의 내부 노드에서 GPT는 근사치를 고려하여 특징 공간을 분할하기 위한 선형 구분 기호를 학습합니다. k-레이블 벡터의 가장 가까운 이웃 그래프. 또한 선형 이진 분류기를 학습하기 위한 간단한 순차 최적화 절차도 개발했습니다. 대규모 실제 데이터 세트에 대한 광범위한 실험을 통해 우리의 방법이 최신 트리 기반 방법보다 빠른 예측을 유지하면서 더 나은 예측 정확도를 달성한다는 것을 보여주었습니다.

발행
IEICE TRANSACTIONS on Information Vol.E102-D No.3 pp.579-587
발행일
2019/03/01
공개일
2018/11/30
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2018EDP7106
원고의 종류
PAPER
범주
인공지능, 데이터마이닝

작성자

Yukihiro TAGAMI
  Yahoo Japan Corporation,Kyoto University

키워드