Часткове вивчення ярликів за допомогою багатозначного розрізнення

Південно-Східний університет, Нанкін, Китай

Додано нове сповіщення про цитування!

Це попередження успішно додано та буде надіслано на адресу:

Ви отримаєте повідомлення про те, що коли цитується вибраний вами запис.

Щоб керувати налаштуваннями сповіщень, натисніть на кнопку нижче.

Оповіщення про нове цитування!

Зберегти в Binder

KDD '16: Матеріали 22-ї Міжнародної конференції ACM SIGKDD з питань виявлення знань та видобутку даних

АНОТАЦІЯ

Часткове вивчення міток вирішує проблему, коли кожен приклад навчання представлений вектором ознак, одночасно пов’язаний із набором міток кандидатів, серед яких є лише одна мітка. Щоб навчитися настільки неоднозначній інформації щодо маркування, головне - спробувати усунути неоднозначність наборів кандидатських етикеток часткових прикладів навчання етикеток. Існуючі стратегії неоднозначності працюють шляхом ітеративного ідентифікації ярлика основоположної істини або однакового ставлення до кожного кандидата. Тим не менше, процес неоднозначності, як правило, проводиться, зосереджуючись на маніпулюванні простором етикеток, і, таким чином, ігнорує повне використання потенційно корисної інформації з простору функцій. У цій роботі пропонується новий двоступеневий підхід до навчання на часткових прикладах міток, заснованих на багатозначному значенні. На першому етапі різноманітна структура простору ознак використовується для створення нормалізованих конфіденційності маркування щодо набору міток кандидатів. На другому етапі модель прогнозування вивчається шляхом виконання регуляризованої багатовихідної регресії над сформованими конфіденціями маркування. Широкі експерименти як із штучними, так і з реальними частковими наборами даних чітко підтверджують перевагу запропонованого підходу, що враховує особливості.