A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification 'n Deep versterkte volgorde na- stel Model vir Multi- Label Klassifikasie ምርጫዎች نموذج تسلسل معزز بعمق لتصنيف متعدد الملصقات Çoxlu Etiket Klasifikasiyası üçün Deep Reinforced Sequence-to-Set Modeli Дълбоко подсилен модел от последователност към задаване за класификация с множество етикети A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification Duboko jačan model za klasifikaciju multietiketa Un model profund reforçat de secuencia a configuració per a la classificació de etiquetes múltiples Hluboko zesílený model sekvence-to-set pro klasifikaci více štítků En dybforstærket sekvens-til-indstillingsmodel til klassificering af flere mærker Ein tief verstärktes Sequenz-to-Set Modell für die Multi-Label Klassifizierung Ένα βαθύ ενισχυμένο μοντέλο ακολουθίας-σε-Set για την ταξινόμηση πολλαπλών ετικετών Un modelo de secuencia a conjunto profundamente reforzado para la clasificación de etiquetas múltiples Sügavalt tugevdatud järjestuse määramise mudel mitme märgisega klassifitseerimiseks یک نمونهی طرحهای عمیق برای تنظیم مجدد برچسبهای چندین Syvävahvistettu sarja-asetelmamalli monimerkinnöille luokittelua varten Un modèle séquence-to-set renforcé en profondeur pour la classification multi-étiquettes Múnla Seicheamh-go-Socrú Treisithe Dhomhain d'Aicmiú Illipéad @ action דוגמא רצף-לקבוע מוגשמת עמוקה עבור קליфікаציה מרובה-תגים मल्टी-लेबल वर्गीकरण के लिए एक गहरी प्रबलित अनुक्रम-से-सेट मॉडल Duboko jačan model za klasifikaciju multietiketa Mélyen megerősített sorozat-beállítási modell a többcímkés osztályozáshoz A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification Model Sekuensi-ke-Set Dikuatkan Dalam untuk Klasifikasi Multi-Label Un modello sequenziale rinforzato profondo per la classificazione multi-etichetta マルチラベル分類のための深層補強シーケンスからセットまでのモデル deep მრავალური ნიშანების კლასიფიკაციისთვის ძალიან დარწმუნებული მოდელი Көп жарлық классификациялау үшін түйінгі қасиетті реттеу үлгісі 다중 탭 분류에 사용되는 깊이 강화 시퀀스 모형 Daugiaženklio klasifikavimo giliai sustiprintas sekos nustatymo modelis Name പല- ലേബല് ക്ലാസിഷനിങ്ങള്ക്കുള്ള ആഴത്തില് പുനര്ത്ഥിപ്പിക്കപ്പെട്ട സെക്കന്സ്- ടോ സെറ്റ് മോഡല് Бир олон лабораторын классификацийн гүн гүнзгий давхарлалтын дарааллыг тогтоох загвар Name Mudell imsaħħaħ fil-fond minn Sekwenza għal Sett għall-Klassifikazzjoni b’Tikketti Multi Een diep versterkt sequence-to-set model voor multi-label classificatie Name Głęboko wzmocniony model sekwencji do zestawu dla klasyfikacji wielu etykiet Um modelo de sequência para conjunto reforçado profundamente para classificação de vários rótulos Un model secvență-la-set întărit profund pentru clasificarea cu mai multe etichete Глубокоармированная модель последовательности в наборе для многоуровневой классификации ගොඩක් ලේබෙල් ක්රාසිකරණය සඳහා ගොඩක් විශාල පද්ධතියක් සැකසුම් කරන්න Globoko ojačan model za razvrščanje več oznak A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification Një model i thellë të forcuar nga sekuenca në rregull për klasifikimin e shumë-etiketave Duboko jačan model za klasifikaciju multietiketa En djupförstärkt sekvens-till-uppsättning modell för klassificering av flera etiketter Utawala wa Kutengenezwa kwa Kiwango பல விளக்கச்சீட்டு வகைப்படுத்தலுக்கான ஆழமான பின்னணி அமைப்பு மாதிரி Multi-Label Södlemeleri üçin Dereje Taýýarlan Multi-Label Classification کے لئے ایک عمیق رینڈرڈ سکونس-to-Set Model Bir necha yorliq klassification uchun katta- kichik harfni moslash usuli Một mô hình dãy tự động tăng mạnh cho hạng đa nhãn 以多标分深度强化序于合模
Abstract
Multi-label classification (MLC) aims to predict a set of labels for a given instance. Based on a pre-defined label order, the sequence-to-sequence (Seq2Seq) model trained via maximum likelihood estimation method has been successfully applied to the MLC task and shows powerful ability to capture high-order correlations between labels. However, the output labels are essentially an unordered set rather than an ordered sequence. This inconsistency tends to result in some intractable problems, e.g., sensitivity to the label order. To remedy this, we propose a simple but effective sequence-to-set model. The proposed model is trained via reinforcement learning, where reward feedback is designed to be independent of the label order. In this way, we can reduce the dependence of the model on the label order, as well as capture high-order correlations between labels. Extensive experiments show that our approach can substantially outperform competitive baselines, as well as effectively reduce the sensitivity to the label order.Abstract
Multi- label klassifikasie (MLC) doel om 'n stel etikette vir' n gegewe voorbeeld te voorskou. Basies op 'n voor- gedefinieerde etiket volgorde, die volgorde- na- volgorde (Seq2Seq) model wat deur maksimum waarskynlikheid estimatie metode opgevoer word, is suksesvol aangepas na die MLC taak en vertoon kragtige moontlik om hoë- volgorde korrelasies tussen etikette te vang. Maar die uitset etikette is essensieel 'n ongeordeerde stel eerder as 'n ordeerde reeks. Hierdie inkonsistensie bedoel om in sommige intrakbaar probleme te resulteer, bv. sensitiviteit na die etiket volgorde. Om hierdie herstel te maak, voorstel ons 'n eenvoudige maar effektief volgorde-na-stel model. Die voorgestelde model is opgelei deur versterking leer, waar vergelde terugkeer is ontwerp om onfhanklike te wees van die etiket volgorde. In hierdie manier kan ons die afhanklikheid van die model op die etiket volgorde verduur, en ook die opvang van hoë volgorde korrelasies tussen etikette. Ekstensiewe eksperimente wys dat ons toegang kan substantieel uitvoer samenskaplike basis lyne en effektief die sensitiviteit na die etiket volgorde verduur.Abstract
ምርጫዎች በክፍለ ግንኙነት ላይ በተመሳሳይ ደረጃ ላይ (Seq2Seq) ሞዴል በክፍለ ምናልባት መጠቀሚያ ማድረግ በMLC ስራ የተጠቀመ እና በጽሑፎች መካከል ግንኙነትን ለመያዝ ኃይል የሚያሳየው፡፡ ምንም እንኳን የውጤት ምልክቶች በሥርዓት ክፍል ይልቅ ያልተፈቀደ ቁጥር ናቸው፡፡ ይህ ጥያቄ አንዳንዶችን መግለጫ ለመፍጠር ይደረጋል፤ ለምሳሌ የጽሑፍ ተርጓሜ ማሳየት ነው፡፡ ለዚህ ለመፈጸም ቀላል ነገር ግን ለጥያቄ እናስፈልጋለን፡፡ በተዘጋጀው ሞዴል በጽሑፍ ክፍል ነጻ እንዲሆን የዋጋ መልስ ጥያቄ በማድረግ በማድረግ ተማርቷል፡፡ እንደዚሁም በጽሑፍ ክፍል ላይ የሞዴላውን ተጠቃሚ እና በጽሑፎች መካከል ከፍ ያለ ግንኙነት ማቅረብ እንችላለን፡፡ Extensive experiments show that our approach can substantially outperform competitive baselines, as well as effectively reduce the sensitivity to the label order.Abstract
يهدف التصنيف متعدد الملصقات (MLC) إلى التنبؤ بمجموعة من الملصقات لمثيل معين. استنادًا إلى ترتيب تسمية محدد مسبقًا ، تم بنجاح تطبيق نموذج التسلسل إلى التسلسل (Seq2Seq) الذي تم تدريبه عبر طريقة تقدير الاحتمالية القصوى على مهمة MLC ويظهر قدرة قوية على التقاط الارتباطات عالية الترتيب بين الملصقات. ومع ذلك ، فإن تسميات الإخراج هي في الأساس مجموعة غير مرتبة وليست تسلسلاً مرتبًا. هذا التناقض يؤدي إلى بعض المشاكل المستعصية ، على سبيل المثال ، الحساسية لترتيب التسمية. لعلاج هذا ، نقترح نموذجًا بسيطًا ولكنه فعال للتسلسل إلى الضبط. يتم تدريب النموذج المقترح من خلال التعلم التعزيزي ، حيث تم تصميم ردود الفعل على المكافآت لتكون مستقلة عن ترتيب التسمية. بهذه الطريقة ، يمكننا تقليل اعتماد النموذج على ترتيب التسمية ، وكذلك التقاط الارتباطات عالية الترتيب بين الملصقات. تظهر التجارب المكثفة أن نهجنا يمكن أن يتفوق بشكل كبير على خطوط الأساس التنافسية ، بالإضافة إلى تقليل الحساسية لترتيب التسمية بشكل فعال.Abstract
Çoxlu etiket klasifikasiyası (MLC) belə bir məsəl üçün etiket qurmaq niyyətindədir. Ön-belə tanımlanmış etiket sırasına görə, ən yüksək mümkün mümkün olmalıq hesablama metodu vasitəsilə təhsil edilmiş sequence-to-sequence (Seq2Seq) modeli MLC işinə müvəffəqiyyətlə uygulandı və etiketlər arasında yüksək sıra bağlantılarını almaq üçün güclü yetkinlik göstərir. Lakin çıxış etiketləri əslində sıralanmış sıralama yerinə sıralanmış bir qurdur. Bu inconsistenciyə bəzi intraktif problemlərə bənzər, məsələlər sıralamasına təsirlik edir. Bunu dəyişdirmək üçün basit, ancaq etkili seçmə modeli təklif edirik. Önülləşdirilmiş model etiket sırasından bağımsız olmaq üçün təhsil edilən təhsil öyrənməsi vasitəsilə təhsil edilir. Bu şekilde modelinin bağlılığını etiketlər arasındakı yüksək sıralar arasındakı bağlılıqlarını azaldıra bilərik. Müxtəlif təcrübələr bizim tərəfimiz münafiqli baz çətinlərini çox üstün edə bilər və etiket sıralarına hissləri çox dəyişə bilər.Abstract
Класификацията с множество етикети (МТК) има за цел да предвиди набор от етикети за даден случай. Въз основа на предварително определен ред на етикетите моделът последователност към последователност (Seq2Seq), обучен чрез метод за оценка на максималната вероятност, е успешно приложен към задачата МТК и показва мощна способност за улавяне на корелации от висок ред между етикетите. Въпреки това, изходните етикети по същество са неореден набор, а не подредена последователност. Това несъответствие води до някои неразрешими проблеми, например чувствителност към реда на етикетите. За да поправим това, предлагаме прост, но ефективен модел от последователност към задаване. Предложеният модел се обучава чрез обучение за подсилване, където обратната връзка с наградите е проектирана да бъде независима от реда на етикета. По този начин можем да намалим зависимостта на модела от реда на етикетите, както и да уловим корелации от висок ред между етикетите. Обширните експерименти показват, че нашият подход може значително да надмине конкурентните базови линии, както и ефективно да намали чувствителността към реда на етикетите.Abstract
এক নির্দিষ্ট উদাহরণের জন্য একটি সেট লেবেলের ক্লাসাফিকেশন (MLC) লক্ষ্য হচ্ছে। একটি পূর্ববর্তী নির্ধারিত লেবেলের আদেশের ভিত্তিতে সেকেন্স-থেকে (Seq2Seq) মডেলের প্রশিক্ষিত হয়েছে সর্বোচ্চ সম্ভাবনা হিসাবের মাধ্যমে এমএলসির কাজে সফল হয়েছে এবং লেবে তবে আউটপুটের লেবেল প্রাথমিকভাবে অর্ডারের সেকেন্সের পরিবর্তে অনির্দেশিত সেট। যেমন লেবেলের নির্দেশের সংবেদনশীল সমস্যার ফলে এই অসন্তষ্টি প্রচলিত হয়। এটা ঠিক করার জন্য আমরা একটা সাধারণ কিন্তু কার্যকর মডেল প্রস্তাব করি। প্রস্তাবিত মডেল শিক্ষা বৃদ্ধির মাধ্যমে প্রশিক্ষণ প্রদান করা হয়, যেখানে পুরস্কার প্রতিক্রিয়া প্রতিক্রিয়া প্রদান করা এভাবে আমরা লেবেলের আদেশে মডেলের নির্ভরশীল কমিয়ে দিতে পারি, এবং লেবেলের মধ্যে উচ্চমর্যাদা সম্পর্ক গ্রহণ করতে পারি। বিস্তারিত পরীক্ষা দেখাচ্ছে যে আমাদের প্রতিযোগিতায় প্রতিযোগিতা বেসেলাইনের বেশিরভাগ ব্যবহার করতে পারে, আর লেবেলের আদেশে সংAbstract
Multi-label classification (MLC) aims to predict a set of labels for a given instance. Based on a pre-defined label order, the sequence-to-sequence (Seq2Seq) model trained via maximum likelihood estimation method has been successfully applied to the MLC task and shows powerful ability to capture high-order correlations between labels. However, the output labels are essentially an unordered set rather than an ordered sequence. རིམ་མཐུན་འདི་ནི་ལག་ལེན་འཐབ་རུང་བའི་དཀའ་ངལ་ཁ་ཤས་ཀྱི་དཔེར་ན། ཤོག་བྱང་གི་གོ་རིམ། འོན་ཀྱང་། ང་ཚོས་དུས་མཐུན་བཟོ་བྱེད་པར་སྟབས་བདེ་ཞིག་ཡིན་པའི་གོ་རིམ་པ་ཞིག་བཤད་ཀྱི་ཡོད། དམིགས་འཛུགས་ཀྱི་མ་གཟུགས་ནི་ཤོག་བྱང་ཡར་རྒྱས་སྤྲོད་ཀྱི་ཐབས་ལམ་ལྟར་སྒྲིག་བྱས་པ་ཡིན། In this way, we can reduce the dependence of the model on the label order, as well as capture high-order correlations between labels. རྒྱ་བསྐྱེད་པའི་བརྟག་ཞིག་གིས་ང་ཚོའི་ཐབས་ལམ་དེ་རྟགས་པར་མཐུན་རྐྱེན་གྱི་གཞི་རྩལ་བ་མངོན་འཆར་བྱེད་ཐུབ་ཀྱི་ཡོད།Abstract
Višeetička klasifikacija (MLC) ima cilj predvidjeti skup etiketa za određenu primjer. Na temelju predodređenog reda etikete, model sekvence do sekvence (Seq2Seq) obučen putem maksimalne procjene mogućnosti uspješno je primjenjen na zadatak MLC i pokazuje moćnu sposobnost da uhvati korelaciju visokoreda između etiketa. Međutim, etikete izlaganja su u suštini neordinirani, umjesto naređene sekvence. Ova neskladnost vodi do nekih intraktivnih problema, npr. osjetljivosti na naređenje etiketa. Da bi to riješili, predlažemo jednostavan, ali efikasan model. Predloženi model je obučen putem učenja pojačanja, gdje je nagrada dizajnirana da bude nezavisna od reda etikete. Na taj način možemo smanjiti zavisnost modela na naređenju etiketa, kao i uhvatiti visokoredne korelacije između etiketa. Eksperimenti pokazuju da naš pristup može značajno nadmašiti konkurentne osnovne linije, kao i učinkovito smanjiti osjetljivost poređenju etiketa.Abstract
La classificació multietiquetada (MLC) té l'objectiu de predir un conjunt d'etiquetes per exemple. Sobre la base d'un ordre predefinit d'etiquetes, el model seqüència a seqüència (Seq2Seq) entrenat a través del mètode d'estimació de la màxima probabilitat s'ha aplicat amb èxit a la tasca MLC i mostra una capacitat poderosa de capturar correlacions d'alta ordre entre les etiquetes. Però les etiquetes de sortida són bàsicament un conjunt no ordenat en comptes d'una seqüència ordenada. Aquesta inconsistencia tendeix a provocar alguns problemes intractables, com per exemple la sensibilitat a l'ordre de l'etiqueta. Per a remediar això, proposem un model senzill però efectiu de seqüència a set. El model proposat està entrenat a través de l'aprenentatge de reforç, on el feedback de la recompensa està dissenyat per ser independent de l'ordre de l'etiqueta. D'aquesta manera, podem reduir la dependència del model de l'ordre de les etiquetes, i capturar correlacions d'alta ordre entre les etiquetes. Extensive experiments show that our approach can substantially outperform competitive baselines, as well as effectively reduce the sensitivity to the label order.Abstract
Klasifikace více štítků (MLC) má za cíl předpovědět sadu štítků pro danou instanci. Na základě předem definovaného pořadí štítků byl model sekvence-sekvence (Seq2Seq) trénovaný metodou odhadu maximální pravděpodobnosti úspěšně aplikován na úlohu MLC a ukazuje výkonnou schopnost zachytit korelace mezi štítky ve vysokém řádu. Nicméně výstupní štítky jsou v podstatě nespořádanou sadou spíše než uspořádanou sekvencí. Tato nesrovnalost má tendenci mít za následek některé neřešitelné problémy, např. citlivost na pořadí štítků. Abychom to napravili, navrhujeme jednoduchý, ale efektivní model sekvence-to-set. Navržený model je trénován prostřednictvím posilovacího učení, kde je zpětná vazba odměn navržena tak, aby byla nezávislá na pořadí etiket. Tímto způsobem můžeme snížit závislost modelu na pořadí etiket, stejně jako zachytit korelace vysokého řádu mezi etiketami. Rozsáhlé experimenty ukazují, že náš přístup může výrazně překonat konkurenční základní linie, stejně jako efektivně snížit citlivost na pořadí etiket.Abstract
Multi-label Classification (MLC) har til formål at forudsige et sæt etiketter for et givet tilfælde. Baseret på en foruddefineret etiketrækkefølge er sekvens-til-sekvens (Seq2Seq) modellen trænet via maksimal sandsynlighedsberegningsmetode blevet anvendt til MLC-opgaven og viser stærk evne til at fange høj ordens korrelationer mellem etiketter. Outputetiketterne er imidlertid hovedsagelig et uordenet sæt snarere end en ordnet sekvens. Denne uoverensstemmelse har tendens til at resultere i nogle uløselige problemer, f.eks. følsomhed over for etiketrækkefølgen. For at afhjælpe dette foreslår vi en enkel, men effektiv sekvens-to-set model. Den foreslåede model trænes via forstærkningslæring, hvor belønningsfeedback er designet til at være uafhængig af etiketteordren. På den måde kan vi reducere modellens afhængighed af etiketrækkefølgen, samt opfange høj ordre korrelationer mellem etiketter. Omfattende eksperimenter viser, at vores tilgang i høj grad kan overgå konkurrencedygtige basislinjer, samt effektivt reducere følsomheden over for etiketrækkefølgen.Abstract
Multi-Label Classification (MLC) zielt darauf ab, eine Reihe von Labels für eine bestimmte Instanz vorherzusagen. Basierend auf einer vordefinierten Etikettenreihenfolge wurde das Sequenz-zu-Sequenz (Seq2Seq)-Modell, das mittels Maximum Likelihood Schätzungsmethode trainiert wurde, erfolgreich auf die MLC-Aufgabe angewendet und zeigt eine leistungsstarke Fähigkeit, Korrelationen hoher Ordnung zwischen Etiketten zu erfassen. Die Ausgabeetiketten sind jedoch im Wesentlichen eine ungeordnete Menge anstatt eine geordnete Sequenz. Diese Inkonsistenz führt tendenziell zu einigen unlösbaren Problemen, z.B. Sensibilität für die Etikettenfolge. Um dies zu beheben, schlagen wir ein einfaches, aber effektives Sequenz-to-Set Modell vor. Das vorgeschlagene Modell wird durch Verstärkungslernen trainiert, bei dem Belohnungs-Feedback unabhängig von der Etikettenfolge gestaltet wird. Auf diese Weise können wir die Abhängigkeit des Modells von der Etikettenreihenfolge reduzieren, sowie hochrangige Korrelationen zwischen Etiketten erfassen. Umfangreiche Experimente zeigen, dass unser Ansatz wettbewerbsfähige Baselines deutlich übertreffen und die Sensibilität für die Etikettenfolge effektiv reduzieren kann.Abstract
Η ταξινόμηση πολλαπλών ετικετών (MLC) αποσκοπεί στην πρόβλεψη ενός συνόλου ετικετών για μια δεδομένη περίπτωση. Με βάση μια προκαθορισμένη σειρά ετικετών, το μοντέλο ακολουθίας-ακολουθίας (Seq2Seq) που εκπαιδεύεται μέσω της μεθόδου εκτίμησης μέγιστης πιθανότητας έχει εφαρμοστεί επιτυχώς στην εργασία και δείχνει ισχυρή ικανότητα καταγραφής συσχετισμών υψηλής τάξης μεταξύ ετικετών. Ωστόσο, οι ετικέτες εξόδου είναι ουσιαστικά ένα σύνολο χωρίς σειρά και όχι μια σειρά. Αυτή η ασυνέπεια τείνει να οδηγήσει σε ορισμένα δύσκολα προβλήματα, π.χ. ευαισθησία στη σειρά ετικετών. Για να το διορθώσουμε αυτό, προτείνουμε ένα απλό αλλά αποτελεσματικό μοντέλο ακολουθίας προς σύνολο. Το προτεινόμενο μοντέλο εκπαιδεύεται μέσω της μάθησης ενίσχυσης, όπου η ανατροφοδότηση ανταμοιβής σχεδιάζεται ώστε να είναι ανεξάρτητη από τη σειρά ετικετών. Με αυτόν τον τρόπο, μπορούμε να μειώσουμε την εξάρτηση του μοντέλου από τη σειρά ετικετών, καθώς και να καταγράψουμε συσχετισμούς υψηλής τάξης μεταξύ ετικετών. Εκτεταμένα πειράματα δείχνουν ότι η προσέγγισή μας μπορεί να ξεπεράσει σημαντικά τις ανταγωνιστικές βάσεις, καθώς και να μειώσει αποτελεσματικά την ευαισθησία στη σειρά ετικετών.Abstract
La clasificación de etiquetas múltiples (MLC) tiene como objetivo predecir un conjunto de etiquetas para una instancia determinada. Basado en un orden de etiquetas predefinido, el modelo de secuencia a secuencia (Seq2Seq) entrenado mediante el método de estimación de máxima verosimilitud se ha aplicado con éxito a la tarea de MLC y muestra una poderosa capacidad para capturar correlaciones de alto orden entre etiquetas. Sin embargo, las etiquetas de salida son esencialmente un conjunto desordenado en lugar de una secuencia ordenada. Esta inconsistencia tiende a dar lugar a algunos problemas intratables, por ejemplo, la sensibilidad al orden de las etiquetas. Para remediar esto, proponemos un modelo simple pero eficaz de secuencia a conjunto. El modelo propuesto se entrena mediante el aprendizaje por refuerzo, en el que los comentarios sobre las recompensas están diseñados para ser independientes del pedido de etiquetas. De esta manera, podemos reducir la dependencia del modelo en el orden de las etiquetas, así como capturar correlaciones de alto orden entre las etiquetas. Los experimentos exhaustivos muestran que nuestro enfoque puede superar sustancialmente los valores de referencia de la competencia, así como reducir eficazmente la sensibilidad al pedido de etiquetas.Abstract
Mitme märgisega klassifitseerimise eesmärk on ennustada märgiste kogumit konkreetse juhtumi puhul. Eelnevalt määratletud märgistuse järjekorra põhjal on meretöönormide konventsiooni ülesandele edukalt rakendatud maksimaalse tõenäosuse hindamise meetodi abil koolitatud jadast järjestusse (Seq2Seq) mudelit, mis näitab võimalust jäädvustada märgiste vahelisi kõrge järjekorra korrelatsioone. Kuid väljundsildid on põhimõtteliselt järjestamata komplekt, mitte järjestatud jada. Selline vastuolu põhjustab mõningaid lahendamatuid probleeme, näiteks tundlikkust etiketi järjekorra suhtes. Selle parandamiseks pakume välja lihtsa, kuid tõhusa järjestusest määratud mudeli. Kavandatud mudelit koolitatakse tugevdusõppe kaudu, kus tasu tagasiside on kavandatud olema sõltumatu märgise järjekorrast. Nii saame vähendada mudeli sõltuvust etiketi järjekorrast ning jäädvustada märgiste vahelisi kõrge järjekorra korrelatsioone. Laiaulatuslikud katsed näitavad, et meie lähenemisviis võib oluliselt ületada konkurentsivõimelisi lähtejooni ning vähendada tõhusalt tundlikkust märgistuse järjekorra suhtes.Abstract
گروهبندی چندین برچسب (MLC) را هدف میدهد که یک مجموعه برچسب را برای یک مثال داده پیشبینی کند. بر اساس یک دستور برچسب پیش تعریف شده، مدل sequence-to-sequence (Seq2Seq) که از طریق مقدار ارزیابی بالاترین ممکن است به موفقیت بر کار MLC کاربرد میشود و توانایی قوی برای گرفتن ارتباطات بالاترین بین برچسب را نشان میدهد. با این حال، نقاشیهای خروجی در اصل یک مجموعه غیر دستور است به جای یک دستور دستور داده شده. این غیر قابل توجه به بعضی مشکلات غیرقابل توجه است، مثال حساسیت به سفارش نقاشی. برای اصلاح این موضوع، ما یک مدل ساده ولی موثر را پیشنهاد می کنیم. این مدل پیشنهاد از طریق یادگیری افزایش آموزش داده می شود، جایی که پاداش دادن پاداش برای مستقل از دستور نقاشی طراحی شده است. در این صورت، ما می توانیم بستگی مدل را بر سفارش نقاشی کاهش دهیم، و همچنین ارتباطات سفارشی بالا بین نقاشی را بگیریم. آزمایشهای گستردهای نشان میدهد که دستور ما میتواند زیادی از خطهای پایگاه رقابتکنندهای بیشتر انجام دهد، و به طور موثرت حساسیت را به سفارش نقاشی کاهش دهد.Abstract
Useiden merkkien luokittelun (MLC) tavoitteena on ennustaa tiettyä esimerkkiä koskevat merkinnät. Esimääritettyyn merkintäjärjestykseen perustuvaa Seq2Seq-mallia (Seq2Seq) on sovellettu menestyksekkäästi MLC-tehtävään, ja se osoittaa tehokkaan kyvyn kuvata tarrojen välisiä korrelaatioita. Lähtötunnisteet ovat kuitenkin pääasiassa järjestystä vailla oleva joukko eikä järjestystä. Tämä epäjohdonmukaisuus johtaa usein vaikeisiin ongelmiin, kuten herkkyyteen etikettijärjestykseen. Tämän korjaamiseksi ehdotamme yksinkertaista mutta tehokasta sekvenssimallia. Ehdotettu malli on koulutettu vahvistamalla oppimista, jossa palkkiopalaute on suunniteltu olemaan riippumaton etikettijärjestyksestä. Tällä tavoin voimme vähentää mallin riippuvuutta etikettijärjestyksestä sekä tallentaa etikettien välisiä korrelaatioita. Laajat kokeet osoittavat, että lähestymistapamme voi merkittävästi ylittää kilpailukykyiset lähtökohdat ja vähentää tehokkaasti herkkyyttä merkintäjärjestykseen.Abstract
La classification multi-étiquettes (MLC) vise à prédire un ensemble d'étiquettes pour un cas donné. Sur la base d'un ordre d'étiquette prédéfini, le modèle séquence-séquence (Seq2Seq) entraîné par la méthode d'estimation du maximum de vraisemblance a été appliqué avec succès à la tâche MLC et montre une capacité puissante à capturer des corrélations d'ordre élevé entre les étiquettes. Cependant, les étiquettes de sortie sont essentiellement un ensemble non ordonné plutôt qu'une séquence ordonnée. Cette incohérence tend à entraîner des problèmes insurmontables, par exemple, la sensibilité à l'ordre des étiquettes. Pour y remédier, nous proposons un modèle séquence-to-set simple mais efficace. Le modèle proposé est formé via l'apprentissage par renforcement, où le retour d'information sur les récompenses est conçu pour être indépendant de l'ordre des étiquettes. De cette façon, nous pouvons réduire la dépendance du modèle à l'égard de l'ordre des étiquettes et capturer des corrélations d'ordre élevé entre les étiquettes. Des expériences approfondies montrent que notre approche peut largement surpasser les niveaux de référence concurrentiels, tout en réduisant efficacement la sensibilité à l'ordre des étiquettes.Abstract
Tá sé mar aidhm ag aicmiú illipéid (MLC) tacar lipéad a thuar do chás ar leith. Bunaithe ar ordú lipéad réamhshainithe, cuireadh an tsamhail seicheamh-go-seicheamh (Seq2Seq) arna oiliúint trí mhodh meastachán uasta dóchúlachta i bhfeidhm go rathúil ar thasc MLC agus taispeánann sé cumas cumhachtach comhghaolta ard-ord idir lipéid a ghabháil. Mar sin féin, go bunúsach is tacar neamhordúil iad na lipéid aschuir seachas seicheamh ordaithe. Is gnách go mbíonn roinnt fadhbanna doráite mar thoradh ar an neamhréireacht seo, m.sh. íogaireacht d’ord an lipéid. Chun é seo a leigheas, molaimid múnla seicheamh go tacar simplí ach éifeachtach. Déantar an tsamhail mholta a oiliúint trí fhoghlaim treisithe, áit a bhfuil aiseolas ar luaíocht deartha le bheith neamhspleách ar ord an lipéid. Ar an mbealach seo, is féidir linn spleáchas an mhúnla ar an ordú lipéad a laghdú, chomh maith le comhghaolta ard-ordú idir lipéid a ghabháil. Léiríonn turgnaimh fhairsing gur féidir lenár gcur chuige sárobair a dhéanamh ar bhunlínte iomaíocha, chomh maith leis an íogaireacht maidir le hordú an lipéid a laghdú go héifeachtach.Abstract
Multi-label classification (MLC) aims to predict a set of labels for a given instance. Basan da aka ƙayyade wani tsari na zaman-defined, motel mai yin tsohon-zuwa-sequence (Seq2Seq) wanda aka yi wa amfani da shi a tsakanin estimatin ya fi tsakanin, an sami babban amfani da aikin MLC kuma ya nuna awon ya iya kãma haɗi na-tsari mai girma tsakanin tagogi. A lokacin da, alama na fitarwa na ƙayyade wani tsari wanda ba'a umurce ba, kuma ba da wani sequence da aka umurce. @ info: whatsthis Domin da za mu kashe wannan, za'a buƙata misali mai sauƙi, kuma mai amfani da matsayi-don-daidaita. An sanar da shirin da aka rufe shi a kan ƙara karanta, a inda ana ƙayyade baka sakamakon sakamako dõmin a sãɓa wa tsarin label. Kamar wannan, Munã iya ƙarantar da gwargwadon shirin ayuka a kan tsarin label, da kuma mu kãma danganta masu sarrafa tsakanin alama. Cire masu ƙaranci sun nuna cewa hanyarmu yana iya ƙaranci bakin tarayya, da kuma yana ƙara muhimmanci ga tarakin label.Abstract
מסווג תוויות רבות (MLC) מטרה לחזות קבוצה של תוויות לדוגמה מסוימת. Based on a pre-defined label order, the sequence-to-sequence (Seq2Seq) model trained via maximum likelihood estimation method has been successfully applied to the MLC task and shows powerful ability to capture high-order correlations between labels. עם זאת, תוויות ההוצאה הן למעשה קבוצה לא מסודרת במקום רצף מסודר. אי-התקבילות הזו נוטה לגרום לבעיות בלתי אפשריות, למשל רגישות לסדר התווית. כדי לתקן את זה, אנו מציעים מודל פשוט אבל יעיל רצף לקבוע. המודל המוצע מאומן באמצעות לימוד חיבור, שבו התגובה של הפרס מתוכננת כדי להיות עצמאית מסדר התווית. בדרך זו, אנחנו יכולים להפחית את התלויה של הדוגמאל על סדר התווית, כמו גם לתפוס קשרים סדר גבוה בין התוויות. ניסויים רחבים מראים שהגישה שלנו יכולה להתגבר באופן משמעותי על קווי הבסיס תחרותיים, כמו גם להפחית באופן יעיל את רגישות לסדר התווית.Abstract
मल्टी-लेबल वर्गीकरण (एमएलसी) का उद्देश्य किसी दिए गए उदाहरण के लिए लेबल के एक सेट की भविष्यवाणी करना है। एक पूर्व-परिभाषित लेबल आदेश के आधार पर, अधिकतम संभावना अनुमान विधि के माध्यम से प्रशिक्षित अनुक्रम-से-अनुक्रम (Seq2Seq) मॉडल को एमएलसी कार्य पर सफलतापूर्वक लागू किया गया है और लेबल के बीच उच्च-क्रम सहसंबंधों को कैप्चर करने की शक्तिशाली क्षमता दिखाता है। हालांकि, आउटपुट लेबल अनिवार्य रूप से एक आदेशित अनुक्रम के बजाय एक अनऑर्डरेड सेट हैं। इस असंगतता के परिणामस्वरूप कुछ असभ्य समस्याएं होती हैं, उदाहरण के लिए, लेबल ऑर्डर के प्रति संवेदनशीलता। इसका समाधान करने के लिए, हम एक सरल लेकिन प्रभावी अनुक्रम-से-सेट मॉडल का प्रस्ताव करते हैं। प्रस्तावित मॉडल को सुदृढीकरण सीखने के माध्यम से प्रशिक्षित किया जाता है, जहां इनाम प्रतिक्रिया को लेबल ऑर्डर से स्वतंत्र होने के लिए डिज़ाइन किया गया है। इस तरह, हम लेबल ऑर्डर पर मॉडल की निर्भरता को कम कर सकते हैं, साथ ही लेबल के बीच उच्च-क्रम सहसंबंधों को कैप्चर कर सकते हैं। व्यापक प्रयोगों से पता चलता है कि हमारा दृष्टिकोण प्रतिस्पर्धी बेसलाइन को काफी हद तक बेहतर बना सकता है, साथ ही लेबल ऑर्डर के प्रति संवेदनशीलता को प्रभावी ढंग से कम कर सकता है।Abstract
Višeetička klasifikacija (MLC) ima cilj predvidjeti skup etiketa za određenu primjer. Na temelju predodređenog reda etikete, model sekvencije do sekvence (Seq2Seq) obučen putem maksimalne procjene mogućnosti uspješno je primjenjen na zadatak MLC-a i pokazuje moćnu sposobnost uhvatiti korelacije visokorednog reda između etiketa. Međutim, etikete izlaganja su u suštini neordinirani komplet umjesto naređenog reda. Ova neskladnost je tendencija da rezultira neke intraktivne probleme, npr. osjetljivost na naredbu etikete. Da bi to riješili, predlažemo jednostavan, ali efikasan model za određene sekvence. Predloženi model je obučen putem učenja pojačanja, gdje je nagrada dizajnirana da bude nezavisna od reda etikete. Na taj način možemo smanjiti zavisnost modela na naređenju etiketa, kao i uhvatiti visokoredne korelacije između etiketa. Prošireni eksperimenti pokazuju da naš pristup može značajno nadmašiti konkurentne osnovne linije, kao i učinkovito smanjiti osjetljivost poruke etikete.Abstract
A többcímkés osztályozás célja egy adott példányra vonatkozó címkék halmazának előrejelzése. Egy előre definiált címke sorrend alapján a maximális valószínűségi becslési módszerrel kiképzett szekvencia-sorrend (Seq2Seq) modellt sikeresen alkalmazták az MLC feladatra, és hatékony képességet mutat a címkék közötti nagy sorrendű korrelációk rögzítésére. A kimeneti címkék azonban lényegében rendezetlen halmaz, nem pedig rendezett sorozat. Ez a következetlenség néhány megoldhatatlan problémát eredményez, például a címke sorrendjére való érzékenységet. Ennek orvoslása érdekében egy egyszerű, de hatékony sorozat-beállítási modellt javasolunk. A javasolt modellt erősítési tanulással képezik, ahol a jutalom visszajelzést úgy tervezték, hogy független legyen a címke sorrendjétől. Ily módon csökkenthetjük a modell függőségét a címkék sorrendjétől, valamint megfigyelhetjük a címkék közötti nagy sorrendű korrelációkat. A kiterjedt kísérletek azt mutatják, hogy megközelítésünk lényegesen felülmúlhatja a versenyképes alapvető értékeket, valamint hatékonyan csökkentheti a címke sorrendjére való érzékenységet.Abstract
Բազմաթիվ պիտակների դասակարգման (MLC) նպատակն է որոշ օրինակի համար պիտակների մի շարք կանխատեսել: Հաշվի առնելով նախասահմանափակ պիտակների կարգը, SeQ2SeQ-ի մոդելը, որը վարժեցվել է մեծագույն հավանականության գնահատման մեթոդի միջոցով, հաջողությամբ կիրառվել է MLC-ի առաջադրանքին և ցույց է տալիս, որ պիտակների միջև բարձր կարգ հաղորդակցման հնարա Այնուամենայնիվ, արտադրման պիտակները հիմնականում անդասակարգված համակարգ են, ոչ թե դասակարգված հաջորդականություն: Այս անհամապատասխանությունը հակված է հանգեցնել որոշ անխուսափելի խնդիրների, օրինակ, զգացմունքի պիտակի կարգը: Այս խնդիրը լուծելու համար մենք առաջարկում ենք մի պարզ, բայց արդյունավետ հաջորդականություն-սահմանելու մոդել: Առաջարկված մոդելը կրթություն է ստանում ուժեղացված ուսումնասիրության միջոցով, որտեղ վարձի արձագանքը ստեղծված է որպեսզի անկախ լինի պիտակների կարգից: Այսպիսով, մենք կարող ենք նվազեցնել մոդելի կախվածությունը պիտակների կարգով, ինչպես նաև բռնել պիտակների միջև բարձր կարգով կապ: Մեծ փորձարկումները ցույց են տալիս, որ մեր մոտեցումը կարող է նշանակաբար գերազանցել մրցակցության հիմնական գծերը, ինչպես նաև արդյունավետ նվազեցնել պիտակների կարգը:Abstract
Klasifikasi multi-label (MLC) bermaksud untuk memprediksi set label untuk contoh tertentu. Berdasarkan perintah label yang terdefinisikan sebelumnya, model urutan-ke-urutan (Seq2Seq) dilatih melalui metode penghargaan kemungkinan maksimum telah berhasil diterapkan pada tugas MLC dan menunjukkan kemampuan yang kuat untuk menangkap korelasi tertib tinggi antara label. Namun, label output pada dasarnya adalah set yang tidak tertib daripada urutan tertib. Tidak konsistens ini cenderung untuk menyebabkan beberapa masalah yang tidak dapat diterima, misalnya sensitivitas terhadap perintah label. To remedy this, we propose a simple but effective sequence-to-set model. Model yang diusulkan dilatih melalui pemerintahan belajar, dimana balasan hadiah dirancang untuk menjadi independen dari perintah label. Dengan cara ini, kita dapat mengurangi ketergantungan model pada perintah label, serta menangkap korelasi tertinggi antara label. Eksperimen yang luas menunjukkan bahwa pendekatan kita dapat jauh lebih dari garis dasar kompetitif, serta efektif mengurangi sensitivitas terhadap perintah label.Abstract
La classificazione multi-label (MLC) mira a prevedere un insieme di etichette per una data istanza. Basato su un ordine predefinito di etichetta, il modello sequenza-sequenza (Seq2Seq) addestrato tramite il metodo di stima della massima probabilità è stato applicato con successo all'attività MLC e mostra una potente capacità di catturare correlazioni di ordine elevato tra etichette. Tuttavia, le etichette di output sono essenzialmente un insieme non ordinato piuttosto che una sequenza ordinata. Questa incoerenza tende a causare alcuni problemi intrattabili, ad esempio la sensibilità all'ordine dell'etichetta. Per rimediare a questo, proponiamo un modello sequenziale semplice ma efficace. Il modello proposto è formato attraverso l'apprendimento di rinforzo, dove il feedback dei premi è progettato per essere indipendente dall'ordine dell'etichetta. In questo modo, possiamo ridurre la dipendenza del modello dall'ordine dell'etichetta, così come catturare correlazioni di alto ordine tra le etichette. Esperimenti approfonditi dimostrano che il nostro approccio può superare sostanzialmente le linee di base competitive e ridurre efficacemente la sensibilità all'ordine dell'etichetta.Abstract
マルチラベル分類（ MLC ）は、特定のインスタンスの一連のラベルを予測することを目的としています。 所定のラベル順序に基づいて、最大尤度推定法を介して訓練されたシーケンスツーシーケンス（ Ｓｅｑ ２ Ｓｅｑ ）モデルは、ＭＬＣタスクに正常に適用され、ラベル間の高次相関を捕捉する強力な能力を示す。 しかしながら、出力ラベルは、本質的に順序付けられたシーケンスではなく、順序付けられていないセットである。 この不一致は、いくつかの難解な問題、例えば、ラベル順序に対する感受性をもたらす傾向がある。 これを修正するために、私たちはシンプルで効果的なシーケンスツーセットモデルを提案します。 提案されたモデルは、強化学習を介してトレーニングされ、報酬フィードバックはラベルの順序に依存しないように設計されています。 このようにして、モデルのラベル順序への依存を減らし、ラベル間の高次相関をキャプチャすることができます。 広範な実験は、当社のアプローチが競合ベースラインを実質的に上回り、ラベルの順序に対する感度を効果的に低下させることができることを示しています。Abstract
politenessoffpolite"), and when there is a change ("assertivepoliteness Sugend Ngawe Definipun Manual sing berangkamu, sekuripun -to-sekuripun politenessoffpolite"), and when there is a change ("assertivepoliteness Tulung Ditawak dhéwé ngerti, kita supoyo sampeyan mruput lan tambah-uwis model. model sing dipoleh, dadi nggo ngwalih bantuan ingkang dianggap, wong mesthi tau mbut weruh gawe barang nggawe winih. Nang iné, kéné iso mudhake ngregani diperaksi uwong ing model nang uréng label, lan kelas nggawe coreraksi luwih bantuan ingkang etiket. Rasane Pangan PanganAbstract
მრავალური ნიშანების კლასიფიკაცია (MLC) მინდომის მიზეზია, რომ მინდომა ინსტაციისთვის ნიშანების ნახვა. მაქსიმალური შესაძლებლობა განსაზღვრებული წერტილის შესახებ მოდელის შესახებ მაქსიმალური შესაძლებლობა გამოყენებული მოდელის შესაძლებლობა MLC მოქმედებისთვის წარმოადგენა და ჩვენებს ძალიან შესაძლებლობა მაქსიმალური კოლექცი მაგრამ, გამოყენება ლაბეტები ძალიან არასპორდირებული სხვა, არც დაწყენებული სხვა. ეს არასწორობა უნდა გავაკეთოთ რამდენიმე ინტერექტიური პრობლემების შედეგება, მაგალითად, მაგალითად სიგრძნელობა ნიშანების შედეგებაზე. ამას წაშლად, ჩვენ უფრო მხოლოდ, მაგრამ ეფექტიური მოდელს დავწყებთ. პროგრამის მოდელის შესაბამისი სწავლებით, რომელიც სამუშაო შესაბამისი შესაბამისი შესაბამისი შესაბამისი შესაბამისი შესაბამისი შესაბამისი შესაბამისი ასე, ჩვენ შეგვიძლია მოდელის შესახებ მარტილის შესახებ წერტილის წერტილის შესახებ და მარტივი წერტილის შესახებ. განსაზღვრებული ექსპერიმენტები გამოჩვენება, რომ ჩვენი პროგრამა შეუძლია ძალიან უფრო მეტად გავაკეთება კონპექტიური ფესპერიმენტიური ფესპერიმენტებAbstract
Көптеген жарлық классификациясы (MLC) келтірілген данасы үшін жарлық жиынын алдын- ала көрсету мақсаты. Алдын- ала анықталған жарлық ретіне негізделген, MLC тапсырмасына сәтті және жарлықтардың арасындағы жоғары ретінде қатынау үлгісі (Seq2Seq) үлгісін бақылады. Бірақ шығыс жарлықтары реттеу ретінде реттеу орнына реттеу жоқ. Бұл кейбір интрактивті мәселелерді, мысалы, белгілер ретінде сезімділігі болады. Бұны түзету үшін қарапайым, бірақ эффективті реттеу үлгісін таңдаймыз. Келтірілген модель жарлық ретінен тәуелсіз болу үшін күшейту үйренімі арқылы оқылған. Бұл үлгі ретінде тәуелдігін, жарлықтар арасындағы жоғары ретінде тәуелдіктерді шектеуге болады. Кеңейтілген тәжірибелер біздің тәжірибеміздің бағдарламалық негізгі сызықтарын көбірек жасауға болады, және белгілер ретінде сезімділігін көшірмеледі.Abstract
다중 태그 분류(MLC)는 지정된 인스턴스에 대한 태그 세트를 예측하는 데 사용됩니다.미리 정의된 탭 순서를 바탕으로 최대 유사 추정 방법으로 훈련된 시퀀스 (Seq2Seq) 모델이 MLC 작업에 성공적으로 적용되었고, 탭 간의 높은 관련성을 포획하는 강력한 능력을 보여 줍니다.그러나 출력 탭은 본질적으로 질서정연한 서열이 아니라 무질서한 집합이다.이런 불일치는 종종 까다로운 문제, 예를 들어 라벨 순서에 대한 민감성을 초래할 수 있다.이 문제를 해결하기 위해서 우리는 간단하지만 효과적인 서열을 제시하여 모델을 세웠다.이 모델은 강화 학습을 통해 훈련을 하는데 그 중에서 보상 피드백은 라벨 순서에 독립하도록 설계되었다.이런 방식을 통해 우리는 모델이 라벨 순서에 대한 의존을 줄이고 라벨 간의 높은 관련성을 포착할 수 있다.대량의 실험을 통해 우리의 방법은 경쟁 기선보다 훨씬 우수하고 라벨 순서에 대한 민감성을 효과적으로 낮출 수 있음을 알 수 있다.Abstract
Multi-label classification (MLC) aims to predict a set of labels for a given instance. Remiantis iš anksto apibrėžta etiketės eile, MLC užduotyje sėkmingai taikomas sekos po sekos (Seq2Seq) modelis, parengtas taikant didžiausios tikimybės vertinimo metodą, ir rodo galimą gebėjimą nustatyti aukštos eilės etiketės koreliacijas. Tačiau išėjimo etiketės iš esmės yra nereguliarus rinkinys, o ne sureguliari seka. Šis nenuoseklumas paprastai sukelia tam tikrų neigiamų problemų, pvz., jautrumo etiketės tvarkai. Siekiant ištaisyti šį klausimą, siūlome paprastą, bet veiksmingą model į iš eilės į eilę. Siūlomas model is mokomas stiprinant mokymąsi, kai atlyginimo grįžtamoji informacija skirta nepriklausomai nuo ženklinimo tvarkos. Taip galime sumažinti modelio priklausomybę nuo etiketės tvarkos ir nustatyti aukštos tvarkos etiketės koreliacijas. Išsamūs eksperimentai rodo, kad mūsų požiūris gali gerokai viršyti konkurencines bazines linijas ir veiksmingai sumažinti jautrumą etiketės tvarkai.Abstract
Класификација со повеќе етикети (MLC) има за цел да предвиде набор на етикети за одреден пример. На основа на преддефиниран ред на етикетата, моделот секвенца до секвенца (Seq2Seq) обучен преку метод за проценка на максималната веројатност е успешно применет на задачата на MLC и покажува моќна способност за заземање на корелации со висок ред помеѓу етикетите. Сепак, излезните етикети се во суштина неуреден сет наместо уредена секвенца. Оваа несогласност има тенденција да резултира со некои неприфатливи проблеми, на пример, чувствителност кон редот на етикетата. За да го поправиме ова, предлагаме едноставен, но ефикасен модел од секвенца до поставка. Предложениот модел е обучен преку зајакнување на учењето, каде што реакцијата на наградата е дизајнирана за да биде независна од редот на етикетата. На овој начин, можеме да ја намалиме зависноста на моделот од редот на етикетите, како и да ги фатиме корелациите со висок ред помеѓу етикетите. Експериментите покажуваат дека нашиот пристап може значително да ги надмине конкурентните основни линии, како и ефикасно да ја намали чувствителноста кон редот на етикетата.Abstract
ഒരു ഉദാഹരണത്തിനുള്ള ഒരു സെറ്റ് ലേബിലേറ്റ് ക്ലാസ്ഫികേഷന് (MLC) പ്രവചിക്കുവാനുള്ള ലക്ഷ്യം. മുമ്പ് നിര്ണ്ണയിക്കപ്പെടുന്ന ലേബ്റ്റ് ഓര്ഡര് അടിസ്ഥാനത്തില്, ഏറ്റവും കൂടുതല് സാധ്യതയുള്ള അസാധ്യതയുള്ള എസ്എല്സിയുടെ ജോലിയില് പരിശീലിക്കുന്ന സെക്കന്സ്- ട്ര എന്നാലും പുറപ്പെട്ട ലേബ്ലുകള് ഒരു ആജ്ഞാപിക്കപ്പെട്ട സെറ്റിനെക്കാള് മാത്രമാണ്. ഈ അസാധ്യതയില്ലാത്ത ചില പ്രശ്നങ്ങള്ക്ക് സാധ്യമല്ല, ഉദാഹരണത്തിനായി ലേബിന്റെ ക്രമീകരണത്തിന് ശ്രദ്ധ കാണി ഇത് ശരിയാക്കാന് ഞങ്ങള് ഒരു എളുപ്പമാണ് പ്രായശ്ചിത്തം ചെയ്യുന്നത്, പ്രാവര്ത്തികമായ ഒരു സെക്കന്സ് മോഡ പ്രൊദ്ദേശിക്കപ്പെട്ട മോഡല് വിദ്യാഭ്യാസം കൂടുതല് പഠിപ്പിക്കുന്നതിനാല് പരിശീലിക്കപ്പെടുന്നു. അവിടെ പ്രതി ഇങ്ങനെയാണ്, നമുക്ക് ലേബറിന്റെ ആശ്രയിക്കാന് മോഡലിന്റെ ആശ്രയം കുറഞ്ഞുകൊടുക്കാം, ലേബുകള്ക്കിടയിലെ ഉയര്ത്തിയ ബന്ധ വിശാലമായ പരീക്ഷണങ്ങള് കാണിച്ചു കൊണ്ടിരിക്കുന്നു നമ്മുടെ പരീക്ഷണത്തിന്റെ പരീക്ഷണത്തിന്റെ പ്രാധാന്യം കൂടുതല് മത്സAbstract
Олон жагсаалтын хуваалтын (MLC) нь тодорхой жишээ дээр жагсаалтыг таамаглах зорилго юм. Өмнө тодорхойлогдсон загварын дарааллаар (Seq2Seq) загвар MLC-ийн ажил дээр амжилттай хэрэглэгдсэн бөгөөд загварын холбоотой өндөр дарааллын холбоотой чадварыг харуулдаг. Гэхдээ үржүүлэх жагсаалт нь дарааллагдсан дарааллаас илүү дарааллагүй байдаг. Энэ тэгш байдал нь зарим интроктив асуудлууд, жишээ нь тэмдэглэгдэх дарааллаас мэдрэмжтэй байдаг. Үүнийг сайжруулахын тулд бид энгийн гэхдээ үр дүнтэй дарааллын загварыг санал болгоно. Загвар өгсөн загвар нь загвараас хамааралтай байх үед шийдвэрлэх сургалтын аргаар суралцагддаг. Иймээс бид загварын хамааралтай байдлыг загварын дарааллаар багасгаж болно, мөн загварын хоорондын өндөр дарааллын холбоотой холбоотой. Маш олон туршилтууд бидний арга зам нь өрсөлдөөний суурь шугам дээр илүүтэй болж чадна гэдгийг харуулдаг. Мөн тэмдэгтийн дарааллаас мэдрэмжтэй байдлыг эцэст нь багасгаж чадна.Abstract
Multi-label classification (MLC) aims to predict a set of labels for a given instance. Berdasarkan tertib label yang ditakrif-awal, model jujukan-ke-jujukan (Seq2Seq) dilatih melalui kaedah pengiraan kemungkinan maksimum telah berjaya dilaksanakan ke tugas MLC dan menunjukkan kemampuan yang kuat untuk menangkap korelasi tertib-tinggi antara label. Namun, label output pada dasarnya adalah set tidak tertib daripada urutan tertib. Tidak konsistens ini cenderung untuk menghasilkan beberapa masalah yang tidak boleh diterima, cth., sensitiviti kepada tertib label. Untuk memperbaiki ini, kami cadangkan model jujukan-ke-set yang mudah tetapi efektif. Model yang direncanakan dilatih melalui pembelajaran penyokong, dimana balas balas dirancang untuk menjadi bebas dari perintah label. Dengan cara ini, kita boleh mengurangkan dependensi model pada tertib label, serta menangkap korelasi tertib tinggi antara label. Eksperimen luas menunjukkan bahawa pendekatan kita boleh jauh lebih daripada garis dasar kompetitif, serta mengurangkan sensitiviti kepada perintah label.Abstract
Multi-label classification (MLC) aims to predict a set of labels for a given instance. Abbażi ta’ ordni ta’ tikketta ddefinita minn qabel, il-mudell sekwenza għal sekwenza (Seq2Seq) imħarreġ permezz tal-metodu ta’ stima tal-probabbiltà massima ġie applikat b’suċċess għall-kompitu MLC u juri kapaċità qawwija biex jinqabdu korrelazzjonijiet ta’ ordni għolja bejn it-tikketti. Madankollu, it-tikketti tal-ħruġ huma essenzjalment sett mhux ordnat minflok sekwenza ordnata. Din l-inkonsistenza g ħandha t-tendenza li tirriżulta f’xi problemi li ma jittieħdux, e ż., sensittività għall-ordni tat-tikketta. Biex nirremedjaw dan, nipproponu mudell sempliċi iżda effettiv minn sekwenza għal oħra. Il-mudell propost huwa mħarreġ permezz ta’ tagħlim ta’ rinfurzar, fejn ir-rispons tal-premju huwa mfassal biex ikun indipendenti mill-ordni tat-tikketta. B’dan il-mod, nistgħu nnaqqsu d-dipendenza tal-mudell fuq l-ordni tat-tikketta, kif ukoll inkisbu korrelazzjonijiet ta’ ordni għolja bejn it-tikketti. Esperimenti estensivi juru li l-approċċ tagħna jista’ jaqbeż sostanzjalment il-linji bażi kompetittivi, kif ukoll inaqqas effettivament is-sensittività għall-ordni tat-tikketta.Abstract
Multi-label classification (MLC) is bedoeld om een set labels voor een bepaald exemplaar te voorspellen. Gebaseerd op een vooraf gedefinieerde labelvolgorde, is het seq2Seq-model (seq2seq) getraind met behulp van de maximale waarschijnlijkheidsschattingsmethode succesvol toegepast op de MLC-taak en toont het krachtige vermogen om correlaties van hoge orde tussen labels vast te leggen. De uitvoerlabels zijn echter in wezen een ongeordende set in plaats van een geordende volgorde. Deze inconsistentie heeft de neiging tot een aantal hardnekkige problemen, bijvoorbeeld gevoeligheid voor de volgorde van het etiket. Om dit te verhelpen, stellen we een eenvoudig maar effectief sequence-to-set model voor. Het voorgestelde model wordt getraind via versterking learning, waarbij beloning feedback onafhankelijk is van de volgorde van het etiket. Op deze manier kunnen we de afhankelijkheid van het model van de labelvolgorde verminderen, evenals high-order correlaties tussen labels vastleggen. Uitgebreide experimenten tonen aan dat onze aanpak aanzienlijk beter kan presteren dan concurrerende baselines, evenals effectief de gevoeligheid voor de labelvolgorde kan verminderen.Abstract
Fleire merkelapparklassifikasjon (MLC) mål å forhåndsvisa eit sett merkelappar for eit gitt instans. Basert på eit føredefinert merkelapperekkefølgje, er modellen sequence-to-sequence (Seq2Seq) trent med maksimal sannsynlighetsverdi brukt til MLC- oppgåva, og viser kraftige kapasitet for å henta høg rekkefølgje mellom merkelapper. Utdatamerkelappene er imidlertid eit ikkje ordna sett i staden for ei ordna rekkjefølgje. Denne inkonsistensinga har tendens til å føre til nokre intraktebre problemer, f.eks. sensitivitet til merkelapperekkefølgja. For å retta dette, foreslår vi ein enkel, men effektiv modell for å setja rekkjefølgje. Det foreslåde modellet vert trent ved hjelp av reinforcement, der tilbakemeldinga er utvikla for å vera uavhengig av merkelapperekkefølgja. På denne måten kan vi redusera avhengigheten av modellen på merkelapperekkefølgja, og henta høg rekkefølgje mellom merkelapper. Ekstra eksperimenter viser at tilnærminga vårt kan vanskeleg utføre konkurransa baselinjer, og effektivt redusere følsomheten til merkelapperekkefølgje.Abstract
Klasyfikacja wieloznakowa (MLC) ma na celu przewidywanie zestawu etykiet dla danej instancji. W oparciu o wstępnie zdefiniowaną kolejność etykiet model sekwencji-sekwencji (Seq2Seq) przeszkolony metodą oszacowania maksymalnego prawdopodobieństwa został z powodzeniem zastosowany do zadania MLC i wykazuje potężną zdolność do wychwytywania korelacji o wysokim rzędzie między etykietami. Jednak etykiety wyjściowe są zasadniczo nieuporządkowanym zestawem, a nie uporządkowaną sekwencją. Ta niespójność prowadzi do niektórych trudnych problemów, np. wrażliwości na kolejność etykiet. Aby temu zaradzić, proponujemy prosty, ale skuteczny model sekwencji do zestawu. Proponowany model jest szkolony poprzez uczenie się wzmacniające, w którym informacje zwrotne nagrody są zaprojektowane tak, aby były niezależne od kolejności etykiety. W ten sposób możemy zmniejszyć zależność modelu od kolejności etykiet, a także uchwycić korelacje o wysokim porządku między etykietami. Obszerne eksperymenty pokazują, że nasze podejście może znacznie przewyższyć konkurencyjne linie bazowe, a także skutecznie zmniejszyć wrażliwość na zamówienie etykiety.Abstract
A classificação multi-rótulo (MLC) visa prever um conjunto de rótulos para uma determinada instância. Com base em uma ordem de rótulo pré-definida, o modelo de sequência a sequência (Seq2Seq) treinado por meio do método de estimativa de máxima verossimilhança foi aplicado com sucesso à tarefa MLC e mostra uma poderosa capacidade de capturar correlações de alta ordem entre rótulos. No entanto, os rótulos de saída são essencialmente um conjunto não ordenado em vez de uma sequência ordenada. Essa inconsistência tende a resultar em alguns problemas intratáveis, por exemplo, sensibilidade à ordem do rótulo. Para remediar isso, propomos um modelo de sequência para conjunto simples, mas eficaz. O modelo proposto é treinado via aprendizado por reforço, onde o feedback de recompensa é projetado para ser independente da ordem do rótulo. Dessa forma, podemos reduzir a dependência do modelo na ordem dos rótulos, bem como capturar correlações de alta ordem entre os rótulos. Extensos experimentos mostram que nossa abordagem pode superar substancialmente as linhas de base competitivas, bem como reduzir efetivamente a sensibilidade à ordem do rótulo.Abstract
Clasificarea multietichetelor (MLC) vizează prezicerea unui set de etichete pentru o anumită instanță. Bazat pe o ordine de etichete predefinită, modelul secvență-la-secvență (Seq2Seq) instruit prin metoda de estimare a probabilității maxime a fost aplicat cu succes sarcinii MLC și arată capacitatea puternică de a capta corelații de ordine înaltă între etichete. Cu toate acestea, etichetele de ieșire sunt în esență un set neoordonat mai degrabă decât o secvență ordonată. Această inconsecvență tinde să ducă la unele probleme dificile, de exemplu sensibilitatea la ordinea etichetei. Pentru a remedia acest lucru, propunem un model simplu, dar eficient secvență-la-set. Modelul propus este instruit prin învățare de armare, unde feedback-ul recompenselor este conceput pentru a fi independent de ordinea etichetei. În acest fel, putem reduce dependența modelului de ordinea etichetelor, precum și să captăm corelații de ordine înaltă între etichete. Experimentele extinse arată că abordarea noastră poate depăși substanțial liniile de bază competitive, precum și reduce eficient sensibilitatea la ordinea etichetei.Abstract
Многоуровневая классификация (МЛК) направлена на прогнозирование набора меток для данного экземпляра. На основании предопределенного порядка меток модель последовательности (Seq2Seq), обученная методом оценки максимального правдоподобия, была успешно применена к задаче МЛК и демонстрирует мощную способность захвата корреляций высокого порядка между метками. Тем не менее, выходные метки по существу являются неупорядоченным набором, а не упорядоченной последовательностью. Это несоответствие, как правило, приводит к некоторым трудноразрешимым проблемам, например, чувствительности к порядку маркировки. Чтобы исправить это, мы предлагаем простую, но эффективную модель последовательности к множеству. Предлагаемая модель обучается посредством обучения подкреплению, где обратная связь по вознаграждению разработана так, чтобы быть независимой от порядка маркировки. Таким образом, мы можем уменьшить зависимость модели от порядка меток, а также захватить корреляции высокого порядка между метками. Обширные эксперименты показывают, что наш подход может существенно превосходить конкурентные базовые линии, а также эффективно снижать чувствительность к заказу на этикетке.Abstract
Multi- label classification (MLC) අදහස් කරනවා දෙන්න උදාහරණයක් වෙනුවෙන් ලෙබෙල් සෙට්ටුවක් හිතන්න. මුලින් විශ්වාස කරපු ලේබල් ක්රමයක් විසින්, ලේබල් අතර ඉහළ- ක්රමයක් අල්ලගන්න පුළුවන් විසින් පරීක්ෂණය සමහර විසින් පරීක්ෂණය සමහර විසින් පර නමුත්, ප්රවෘත ලේබල්ස් විශේෂයෙන් වෙනුවෙන් වෙනුවෙන් වෙනුවෙන් වෙනුවෙන් වෙනුවෙන් නොවෙන මේ අසාමාන්ය විදිහට ප්රශ්නයක් වෙන්න ප්රශ්නයක් වෙන්න පුළුවන් වෙනවා, උදාහරණයෙන්, ලේබල් ක්රමණය මේක හදන්න, අපි සාමාන්ය නමුත් ප්රශ්නයක් ප්රයෝජනය කරනවා නමුත් ප්රශ්නයක් සැකසුම් වෙන්න ප්රශ්නයක් ප්රශ්නයක් ලේබල් ක්රමයෙන් නිදහස් වෙනුවෙන් ප්රශ්නයක් ප්රශ්නයක් කරනවා. මෙහෙම විදියට, අපිට ලේබල් ක්රමයේ මොඩල් එකේ අවශ්යතාව අඩු කරන්න පුළුවන්, ඒවගේම ලේබල් අතර ඉහළ ක්රමය සම්බන්ධ විස්තර පරීක්ෂණය පෙන්වන්නේ අපේ විදියට පුළුවන් පුළුවන් විශේෂයෙන් ප්රශ්නයක් ප්රශ්නයක් කරන්න, ලේබල් ක්Abstract
Cilj klasifikacije z več oznakami (MLC) je napovedati niz oznak za določen primer. Na podlagi vnaprej določenega vrstnega reda nalepk je bil model iz zaporedja do zaporedja (Seq2Seq), usposobljen z metodo ocenjevanja največje verjetnosti, uspešno uporabljen za nalogo MLC in kaže močno sposobnost zajemanja korelacij visokega reda med nalepkami. Vendar pa so izhodne oznake v bistvu neurejen nabor in ne urejeno zaporedje. Ta neskladnost običajno povzroča nekatere nepremagljive težave, npr. občutljivost na vrstni red nalepk. Za odpravo tega predlagamo preprost, vendar učinkovit model zaporedja do nastavitve. Predlagani model se usposablja s pomočjo ojačitvenega učenja, kjer so povratne informacije o nagradah oblikovane tako, da so neodvisne od vrstnega reda etiket. Na ta način lahko zmanjšamo odvisnost modela od vrstnega reda etiket in zajamemo korelacije visokega reda med etiketami. Obsežni poskusi kažejo, da lahko naš pristop bistveno preseže konkurenčne osnovne linije in učinkovito zmanjša občutljivost na vrstni red etiket.Abstract
Takhasuska kala duduwan (MLC) waxaa loola jeedaa in uu soo hor dhigo tusaale ahaan calaamado. Based on a pre-defined label order, the sequence-to-sequence (Seq2Seq) model trained via maximum likelihood estimation method has been successfully applied to the MLC task and shows powerful ability to capture high-order correlations between labels. Si kastaba ha ahaatee calaamadaha soo baxa waa mid aan la amray oo aan ka bedelan dhamaadka. Shaqo la’aanta waxay sababtaa dhibaatooyin qaarkood oo suurtagal ah, tusaale ahaan xilsho u leh nidaamka. Si aan u bogsiino, waxaan soo jeedaynaa model fudud ee sahlan ee sahlan. Tusaale la soo jeeday waxaa lagu tababariyaa barashada kordhiska, kaas oo loogu talogalay dib u celinta mushaarku uu xor u noqdo nidaamka. Sidaas darteed waxaynu hoos u dhigi karnaa nidaamka ku saabsan, sidoo kale waxaan qabsan karnaa xiriir aad u sareeya calaamada dhexdooda. Imtixaano dheeraad ah waxay muuqan karaan in qaababkayagu ay si weyn u sameyn karto saldhigyada isqabashada, sidoo kalena si faa’iido ah u hoosaysiin karto iftiinka.Abstract
Klasifikimi multi-label (MLC) synon të parashikojë një sërë etiketash për një shembull të caktuar. Bazuar në një rend të përcaktuar nga përpara etiketës, modeli sekuencë në sekuencë (Seq2Seq) i trajnuar nëpërmjet metodës maksimale të vlerësimit të mundësisë është aplikuar me sukses në detyrën MLC dhe tregon aftësi të fuqishme për të kapur korrelacione me rend të lartë midis etiketave. Megjithatë, etiketat e daljes janë në thelb një set i pazgjidhur në vend të një sekuence të urdhëruar. Kjo moskonsistencë ka tendencë të rezultojë në disa probleme të pamundura, për shembull, ndjeshmëri ndaj rendit të etiketës. Për ta rregulluar këtë, ne propozojmë një model të thjeshtë por të efektshëm sekuencë-në-set. Modeli i propozuar është trajnuar nëpërmjet mësimit të forcimit, ku reagimi i shpërblimit është projektuar për të qenë i pavarur nga rendi i etiketës. Në këtë mënyrë, ne mund të reduktojmë varësinë e modelit në rendin e etiketave, si dhe të kapim korrelacione me rend të lartë midis etiketave. Eksperimentet e zgjeruara tregojnë se qasja jonë mund të kalojë në mënyrë të konsiderueshme linjat bazë konkurruese si dhe të reduktojë efektivisht ndjeshmërinë ndaj rendit të etiketës.Abstract
Višeetička klasifikacija (MLC) ima cilj predviđati skup etiketa za određenu primjer. Na temelju preddefiniranog reda etikete, model sekvence do sekvence (Seq2Seq) obučen preko maksimalne procjene metode procjene verovatnosti uspešno je primjenjen na zadatak MLC i pokazuje moćnu sposobnost da uhvati povezanost sa visokom redom između etiketa. Međutim, etikete izveštaja su u suštini neordinirani set umjesto naređenog reda. Ova neskladnost vodi do nekih intraktivnih problema, npr. osjetljivosti na naređenje etiketa. Da bi to riješili, predlažemo jednostavan, ali efikasan model. Predloženi model je obučen putem učenja pojačanja, gdje je nagrada dizajnirana da bude nezavisna od naređenja etiketa. Na taj način možemo smanjiti zavisnost modela na naređenju etiketa, kao i uhvatiti visokoredne korelacije između etiketa. Eksperimenti pokazuju da naš pristup može značajno nadmašiti konkurentne osnovne linije, kao i efektivno smanjiti osjetljivost poređenju etiketa.Abstract
Multi-label Classification (MLC) syftar till att förutsäga en uppsättning etiketter för en given instans. Baserat på en fördefinierad etikettordning har sekvens-till-sekvens-modellen (Seq2Seq) tränad med hjälp av metoden för maximal sannolikhet estimering framgångsrikt tillämpats på MLC-uppgiften och visar kraftfull förmåga att fånga hög ordning korrelationer mellan etiketter. Utdataetiketterna är dock i huvudsak en oordning uppsättning snarare än en ordnad sekvens. Denna inkonsekvens tenderar att resultera i vissa svårhanterliga problem, t.ex. känslighet för etikettordningen. För att åtgärda detta föreslår vi en enkel men effektiv sekvens-to-set modell. Den föreslagna modellen utbildas via förstärkningsinlärning, där belöning feedback är utformad för att vara oberoende av etikettordern. På så sätt kan vi minska modellens beroende av etikettordningen, samt fånga upp högorderkorrelationer mellan etiketter. Omfattande experiment visar att vårt tillvägagångssätt avsevärt kan överträffa konkurrenskraftiga baslinjer, samt effektivt minska känsligheten för etikettordningen.Abstract
Usafiri wa lugha nyingi (MLC) unalenga kutabiri seti ya alama kwa mfano fulani. Kutokana na amri ya alama zilizoelezwa kabla, muundo wa mfululizo wa mfululizo wa upatikanaji (Seq2Seq) umefundishwa kwa kutumia mbinu za estimation zilizowezekana imetumiwa mafanikio katika kazi ya MLC na kuonyesha uwezo wa kupata mahusiano ya juu kati ya alama. Hata hivyo, alama za matokeo ni muhimu ya seti isiyoamrishwa badala ya mfululizo wa amri. Ushindano huu unatendea kusababisha matatizo yanayoendelea, kwa mfano, utambulisho wa utambulisho wa alama. Ili kurekebisha hili, tunapendekeza modeli rahisi lakini yenye ufanisi wa mfululizo. Mfano huu unapendekezwa umefundishwa kwa kupitia kujifunza kwa nguvu, ambapo maombi ya malipo yanalengwa kuwa huru ya amri ya alama. Kwa namna hii, tunaweza kupunguza kutegemea kwa muundo huo kwenye amri ya alama, pamoja na kuchukua mahusiano ya juu kati ya maabara. Majaribio mengi yanaonyesha kuwa mbinu yetu inaweza kutengeneza misingi ya ushindani, pamoja na kupunguza ufahamu wa ufahamu kwenye amri ya alama.Abstract
பல- விளக்கச்சீட்டு வகைப்பு (MLC) குறிப்பிட்ட நிகழ்வுக்கு ஒரு குறிப்பிட்ட சிட்டிகளை முன்வாக்குகிறது. முன் வரையறுக்கப்பட்ட விளக்கச்சீட்டு வரிசையின் அடிப்படையில், அதிகபட்ச ச சாத்தியமான மதிப்பீடு முறைமையால் பயிற்சி மாதிரி MLC செயலுக்கு வெற்றிகரமாக பயன்படுத்தப்பட்டுள எனினும், வெளியீட்டு சிட்டைகள் ஒரு வரிசைக்கு பதிலாக வரிசைப்படுத்தப்படாத அமைப்பு ஆகும். இந்த பாதுகாப்பு சில உள்ளிடும் பிரச்சனைகளுக்கு முடிவு செய்யும், உதாரணமாக, குறிப்பு வரிசையின் உணர்வு இதை நிர்ணயிக்க, நாம் ஒரு எளிய ஆனால் வெளிப்படையான தொடர்ச்சியில் இருந்து அமைப்பு மாதிரியை பரிந்து முன்நிர்ணயிக்கப்பட்ட மாதிரி வலிமை படிப்பின் மூலம் பயிற்சி செய்யப்படுகிறது, அங்கு கூலி பதில் சிட்டியின் சுதந்தி இந்த வழியில், நாம் மாதிரியின் சார்பை குறைக்கலாம், மற்றும் சிட்டிகளுக்கிடையில் உயர்ந்த வரிசையின் இணைப்புகளை பிடிக விரிவான சோதனைகள் காண்பிக்கப்படுகிறது என்றால் எங்கள் செயல்பாடு மிகவும் பொருத்தும் தேவையான அடிப்படைகளை வெளியேற்ற முடியAbstract
Birnäçe etiket klasifikasy (MLC) berilen bir örnek üçin etiket takmynyny çaklamak amaçlary. Öň bellenen etiket terjimesine görä, sequence-to-sequence (Seq2Seq) nusgasyna görä bejerilmiş mykdarlyk hasaplamak täblisasynda mümkin edildi we etitler arasynda ýokary terjime etmek üçin güýçli ukyplary görkez. Çikgi etiketleri görnöşi tertiblemekten başga sıralanmadyr. Bu hassasiyet, etiket sırasına sebep edilebilir birkaç sorunlara sebep olur.Örneğin, etiket sırasına hassasiyet g österir. Muny düzeltmek üçin basit ýöne taýýarlykly bir sany saýlamak üçin. Mazmunlar nusgasy etiket düzeninden daýatmak üçin guruldyrylýar. Bu şekilde etiketler arasındaki modellerin bağlılığını da eksiltebiliriz. Çoklu deneyler biziň metodumyzyň döwletli baseçinleri çykaryp biljekdigini ve etiket düzümlerini çykaryp biljekdigini görkez.Abstract
Multi-label classification (MLC) کا ارادہ ہے کہ ایک مقررہ مثال کے لئے لابل سٹ کی پیش بینی کریں. ایک پہلے پھیر لیبل اوردر پر بنیاد ہے، سq2Seq (Seq2Seq) موڈل جو مزید احتمالات تقریبا کے ذریعہ تطابق کیا گیا ہے MLC تاسک پر موفق طور پر لازم کیا گیا ہے اور لیبل کے درمیان اچھی اوردر کی تعلقات کو پکڑنے کے لئے طاقتور قابلیت دکھاتا ہے. لیکن آئٹوٹ لیبل اصل میں ایک غیر اورڈر سٹ ہے اورڈر سٹ کے بغیر. یہ غیر مسئلہ کے نتیجے میں ہے، جیسے لیبل اوردر کے ساتھ احساساتی. اس کے لئے ہم ایک سادہ لیکن اثرات کے قابل تعمیر کی مدل پیشنهاد کرتے ہیں۔ پیغمبر کی مدل مضبوط تعلیم کے ذریعہ استعمال کی جاتی ہے جہاں اجر فیڈبک لیبل اوردر سے بے نیاز ہو جانے کے لئے طراحی کی جاتی ہے. اسی طرح، ہم لوبل کے اوقات پر موڈل کے اعتباری کو کم کر سکتے ہیں، اور لیبل کے درمیان اچھی اوقات کی تعلقات کو پکڑ سکتے ہیں. اکسٹنسیٹ آزمائش دکھاتے ہیں کہ ہمارا طریقہ بہت زیادہ مسابقات بنسلین سے کام آسکتا ہے، اور لیبل آزمائش کے ذریعہ حساسیت کو کم کر سکتا ہے۔Abstract
Name @ info: whatsthis However, the output labels are essentially an unordered set rather than an ordered sequence. @ info: whatsthis Buni tayyorlash uchun biz oddiy va effektiv seksiyatli modelni boshqaramiz. Name Bu yerda, tugmalar tartibining modelini kamaytirishingiz mumkin, va tugmalar orasidagi sariq aloqalarni qabul qilishimiz mumkin. Koʻproq tajribalar ko'rsatadi, bizning tuyg'iyatlarimiz juda qiziqarli qismi asboblarni bajarishi mumkin, va yorliq tartibi bilan sensitivitligini kamaytirish mumkin.Abstract
Các phân loại đa nhãn (MLC) nhằm dự đoán một bộ nhãn cho một trường hợp cụ thể. Dựa trên một mệnh lệnh nhãn được xác định trước, kiểu dáng lặp lại (Seq2Seq) được đào tạo qua phương pháp đánh giá mức đoán tối đa đã được áp dụng với công việc MLC và cho thấy khả năng nắm bắt các mối tương quan cao trật tự giữa các nhãn. Tuy nhiên, các nhãn xuất là một bộ chưa được đặt thay vì một chuỗi lệnh. Sự mâu thuẫn này có xu hướng dẫn đến một số vấn đề khó giải quyết, ví dụ như sự nhạy cảm với mệnh lệnh. Để sửa chữa điều này, chúng tôi đề xuất một mô hình đơn giản nhưng hiệu quả. The proposed model is educated by củng cố leaving, where rewards đc designed to be independenty from the marking order. Bằng cách này, chúng ta có thể giảm sự phụ thuộc của mô-đun dựa trên nhãn hiệu, cũng như bắt được các mối liên hệ hệ cao đẳng giữa các nhãn. Những thí nghiệm đầy đủ cho thấy phương pháp của chúng ta có thể vượt qua các nền tảng cạnh tranh và giảm bớt sự nhạy cảm với thứ tự nhãn.Abstract
多标签分类 (MLC) 旨在给定例。 盖预定义之标签次第,以大似然度数之序(Seq2Seq)形已成于MLC,而见高阶相关性之强也。 然输标本无序集,非有序序也。 此则棘手之问,标签之敏感性也。 为此者,吾举一而效一而合之。 所建模形以化学训练,其奖反馈设意独立于标次。 以此减依赖性,而得其高阶相关性。 博实验明,吾道可以大优于争基线,而损订单之敏感性。- Anthology ID:
- P19-1518
- Volume:
- Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics
- Month:
- July
- Year:
- 2019
- Address:
- Florence, Italy
- Venue:
- ACL
- SIG:
- Publisher:
- Association for Computational Linguistics
- Note:
- Pages:
- 5252–5258
- Language:
- URL:
- https://aclanthology.org/P19-1518
- DOI:
- 10.18653/v1/P19-1518
- Bibkey:
- Cite (ACL):
- Pengcheng Yang, Fuli Luo, Shuming Ma, Junyang Lin, and Xu Sun. 2019. A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 5252–5258, Florence, Italy. Association for Computational Linguistics.
- Cite (Informal):
- A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification (Yang et al., ACL 2019)
- Copy Citation:
- PDF:
- https://aclanthology.org/P19-1518.pdf
- Code
- lancopku/Seq2Set
- Data
- RCV1
- Terminologies:
Export citation
@inproceedings{yang-etal-2019-deep,
title = "A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification",
author = "Yang, Pengcheng and
Luo, Fuli and
Ma, Shuming and
Lin, Junyang and
Sun, Xu",
booktitle = "Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics",
month = jul,
year = "2019",
address = "Florence, Italy",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/P19-1518",
doi = "10.18653/v1/P19-1518",
pages = "5252--5258",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="yang-etal-2019-deep">
<titleInfo>
<title>A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification</title>
</titleInfo>
<name type="personal">
<namePart type="given">Pengcheng</namePart>
<namePart type="family">Yang</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Fuli</namePart>
<namePart type="family">Luo</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Shuming</namePart>
<namePart type="family">Ma</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Junyang</namePart>
<namePart type="family">Lin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Xu</namePart>
<namePart type="family">Sun</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2019-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<relatedItem type="host">
<titleInfo>
<title>Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics</title>
</titleInfo>
<originInfo>
<publisher>Association for Computational Linguistics</publisher>
<place>
<placeTerm type="text">Florence, Italy</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<identifier type="citekey">yang-etal-2019-deep</identifier>
<identifier type="doi">10.18653/v1/P19-1518</identifier>
<location>
<url>https://aclanthology.org/P19-1518</url>
</location>
<part>
<date>2019-07</date>
<extent unit="page">
<start>5252</start>
<end>5258</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings %T A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification %A Yang, Pengcheng %A Luo, Fuli %A Ma, Shuming %A Lin, Junyang %A Sun, Xu %S Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics %D 2019 %8 July %I Association for Computational Linguistics %C Florence, Italy %F yang-etal-2019-deep %R 10.18653/v1/P19-1518 %U https://aclanthology.org/P19-1518 %U https://doi.org/10.18653/v1/P19-1518 %P 5252-5258
Markdown (Informal)
[A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification](https://aclanthology.org/P19-1518) (Yang et al., ACL 2019)
- A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification (Yang et al., ACL 2019)
ACL
- Pengcheng Yang, Fuli Luo, Shuming Ma, Junyang Lin, and Xu Sun. 2019. A Deep Reinforced Sequence-to-Set Model for Multi-Label Classification. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, pages 5252–5258, Florence, Italy. Association for Computational Linguistics.