Multi-label classification based on sum-product networks (2017)
- Authors:
- Autor USP: LLERENA, JULISSA GIULIANA VILLANUEVA - IME
- Unidade: IME
- Sigla do Departamento: MAC
- Subjects: INTELIGÊNCIA ARTIFICIAL; RECONHECIMENTO DE PADRÕES
- Keywords: Classificação multi-rótulo; Modelos probabilísticos; Multi-label classification; Probabilistic graphical models; Redes suma-produto; Sum-product networks
- Agências de fomento:
- Language: Inglês
- Abstract: A classificação Multi-Rótulo consiste em aprender uma função que seja capaz de mapear um objeto para um conjunto de rótulos relevantes. Ela possui aplicações como associação de genes com funções biológicas, classificação semântica de cenas e categorização de texto. A classificação tradicional, de rótulo único é, portanto, um caso particular da Classificação Multi-Rótulo, onde cada objeto está associado com exatamente um rótulo. Uma abordagem bem sucedida para classificação é obter um modelo probabilístico da relação entre atributos do objeto e rótulos. Esse modelo pode então ser usado para classificar objetos, encon- trando a predição mais provável por meio da probabilidade marginal ou a explicação mais provavél dos rótulos dados os atributos. Dependendo da família de modelos probabilísticos escolhidos, tais inferências podem ser intratáveis quando o número de rótulos é grande. As redes Soma-Produto (SPN, do inglês Sum Product Network) são modelos probabilísticos profundos, que permitem inferência marginal tratável. No entanto, como em muitos outros modelos probabilísticos, a inferência da explicação mais provavél é NP-difícil. Embora SPNs já tenham sido usadas com sucesso para tarefas de classificação tradicionais, não existe investigação aprofundada no uso de SPNs para classificação Multi-Rótulo. Neste trabalho, investigamos o uso de SPNs para classificação Multi-Rótulo. Comparamos vários algoritmos de aprendizado de SPNs combinados com diferentes abordagens propostos paraclassificação. Mostramos que os classificadores Multi-Rótulos baseados em SPN são competitivos contra classificadores estado-da-arte, como Random k-Labelsets usando Máquinas de Suporte Vetorial e inferência exata da explicação mais provavél em CutNets, em uma coleção de conjuntos de dados de referência
- Imprenta:
- Data da defesa: 06.09.2017
-
ABNT
VILLANUEVA LLERENA, Julissa Giuliana. Multi-label classification based on sum-product networks. 2017. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-08122017-100124/. Acesso em: 02 out. 2024. -
APA
Villanueva Llerena, J. G. (2017). Multi-label classification based on sum-product networks (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de http://www.teses.usp.br/teses/disponiveis/45/45134/tde-08122017-100124/ -
NLM
Villanueva Llerena JG. Multi-label classification based on sum-product networks [Internet]. 2017 ;[citado 2024 out. 02 ] Available from: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-08122017-100124/ -
Vancouver
Villanueva Llerena JG. Multi-label classification based on sum-product networks [Internet]. 2017 ;[citado 2024 out. 02 ] Available from: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-08122017-100124/ - Qualitative global sensitivity analysis for probabilistic circuits
- Efficient predictive uncertainty estimators for deep probabilistic models
- Cautious classification with data missing not at random using generative random forests
- Tractable classification with non-ignorable missing data using generative random forests
- Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks
- Robust analysis of MAP inference in selective sum-product nNetworks
- Tractable inference in credal sentential decision diagrams
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
