ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

Improving multi-label classification using semi-supervised learning and dimensionality reduction

หน่วยงาน สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์

รายละเอียด

ชื่อเรื่อง : Improving multi-label classification using semi-supervised learning and dimensionality reduction
นักวิจัย : Eakasit Pacharawongsakda , Cholwich Nattee , Thanaruk Theeramunkong
คำค้น : Co-training , Dimensionality reduction , Multi-label classification , Semi-supervised learning , Singular value decomposition , SVD
หน่วยงาน : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์
ผู้ร่วมงาน : -
ปีพิมพ์ : 2555
อ้างอิง : Lecture Notes in Computer Science (including subseries Lecture Notes in artificial intelligence and lecture notes in bioinformatics) . 7458 (2012) pp. 423-434 , 0302-9743 , http://dspace.library.tu.ac.th/handle/3517/7235
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

Multi-label classification has been increasingly recognized since it can assign multiple class labels to an object. This paper proposes a new method to solve simultaneously two major problems in multi-label classification; (1) requirement of sufficient labeled data for training and (2) high dimensionality in feature/label spaces. Towards the first issue, we extend semi-supervised learning to handle multi-label classification and then exploit unlabeled data with averagely high-confident tagged labels as additional training data. To solve the second issue, we present two alternative dimensionality-reduction approaches using Singular Value Decomposition (SVD). The first approach, namely LAbel Space Transformation for CO-training REgressor (LAST-CORE), reduces complexity in the label space while the second one namely Feature and LAbel Space Transformation for CO-training REgressor (FLAST-CORE), compress both label and feature spaces. For both approaches, the co-training regression method is used to predict the values in the lower-dimensional spaces and then the original space can be reconstructed using the orthogonal property of SVD with adaptive threshold setting. Additionally, we also introduce a method of parallel computation to fasten the co-training regression. By a set of experiments on three real world datasets, the results show that our semi-supervised learning methods gain better performance, compared to the method that uses only the labeled data. Moreover, for dimensionality reduction, the LAST-CORE approach tends to obtain better classification performance while the FLAST-CORE approach helps saving computational time. © 2012 Springer-Verlag.

บรรณานุกรม :
Eakasit Pacharawongsakda , Cholwich Nattee , Thanaruk Theeramunkong . (2555). Improving multi-label classification using semi-supervised learning and dimensionality reduction.
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ .
Eakasit Pacharawongsakda , Cholwich Nattee , Thanaruk Theeramunkong . 2555. "Improving multi-label classification using semi-supervised learning and dimensionality reduction".
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ .
Eakasit Pacharawongsakda , Cholwich Nattee , Thanaruk Theeramunkong . "Improving multi-label classification using semi-supervised learning and dimensionality reduction."
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ , 2555. Print.
Eakasit Pacharawongsakda , Cholwich Nattee , Thanaruk Theeramunkong . Improving multi-label classification using semi-supervised learning and dimensionality reduction. กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ ; 2555.