ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

Towards more efficient multi-label classification using dependent and independent dual space reduction

หน่วยงาน สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์

รายละเอียด

ชื่อเรื่อง : Towards more efficient multi-label classification using dependent and independent dual space reduction
นักวิจัย : Eakasit Pacharawongsakda , Thanaruk Theeramunkong
คำค้น : Singular value decomposition , Dimensionality reduction , Multi-label classification , Problem Transformation , Singular Value Decomposition , SVD , Covariance matrix , Data mining , Forecasting , Dual spaces , Feature space , Label space , Multi-label , Multiple class , Noise elimination , Problem Transformation , Reduced space
หน่วยงาน : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์
ผู้ร่วมงาน : -
ปีพิมพ์ : 1469
อ้างอิง : Lecture notes in computer science : including subseries Lecture notes in artificial intelligence and Lecture notes in bioinformatics. 7301 LNAI, Issue Part 2 (2012) pp. 383-394 , 0302-9743 , http://dspace.library.tu.ac.th/handle/3517/6397
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : 9783642302190;
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

While multi-label classification can be widely applied for problems where multiple classes can be assigned to an object, its effectiveness may be sacrificed due to curse of dimensionality in the feature space and sparseness of dimensionality in the label space. Moreover, it suffers with high computational cost when there exist a high number of dimensions, as well as with lower accuracy when there are a number of noisy examples. As a solution, this paper presents two alternative methods, namely Dependent Dual Space Reduction and Independent Dual Space Reduction, to reduce dimensions in the dual spaces, i.e., the feature and label spaces, using Singular Value Decomposition (SVD). The first approach constructs the covariance matrix to represent dependency between the features and labels, project both of them into a single reduced space, and then perform prediction on the reduced space. On the other hand, the second approach handles the feature space and the label space separately by constructing a covariance matrix for each space to represent feature dependency and label dependency before performing SVD on dependency profile of each space to reduce dimension and for noise elimination and then predicting using their reduced dimensions. A number of experiments evidence that prediction on the reduced spaces for both dependent and independent reduction approaches can obtain better classification performance as well as faster computation, compared to the prediction using the original spaces. The dependent approach helps saving computational time while the independent approach tends to obtain better classification performance. © 2012 Springer-Verlag.

บรรณานุกรม :
Eakasit Pacharawongsakda , Thanaruk Theeramunkong . (2555). Towards more efficient multi-label classification using dependent and independent dual space reduction.
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ .
Eakasit Pacharawongsakda , Thanaruk Theeramunkong . 2555. "Towards more efficient multi-label classification using dependent and independent dual space reduction".
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ .
Eakasit Pacharawongsakda , Thanaruk Theeramunkong . "Towards more efficient multi-label classification using dependent and independent dual space reduction."
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ , 2555. Print.
Eakasit Pacharawongsakda , Thanaruk Theeramunkong . Towards more efficient multi-label classification using dependent and independent dual space reduction. กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ ; 2555.