Large Scale Hierarchical Classification: State of the Art

این SpringerBrief مطالب فنی مربوط به طبقه بندی سلسله مراتبی در مقیاس بزرگ (LSHC) را پوشش می دهد. HC یک مشکل مهم یادگیری ماشین است که در چند سال گذشته به طور گسترده مورد تحقیق و بررسی قرار گرفته است. در این کتاب، نویسندگان مروری جامع از روش‌ها و الگوریتم‌های پیشرفته موجود ارائه می‌کنند که برای حل مشکل HC در حوزه‌های مقیاس بزرگ ایجاد شده‌اند. چالش‌های متعددی که LSHC با آنها مواجه است به تفصیل مورد بحث قرار گرفته است:

1. عدم تعادل بالا بین کلاس‌ها در سطوح مختلف سلسله مراتب

2. ترکیب روابط در طول یادگیری مدل منجر به مسائل بهینه سازی می شود

3. انتخاب ویژگی

4. مقیاس پذیری به دلیل تعداد زیاد مثال ها، ویژگی ها و کلاس ها

5. تناقضات سلسله مراتبی

6. انتشار خطا به دلیل تصمیم‌گیری‌های متعدد درگیر در پیش‌بینی روش‌های از بالا به پایین

این خلاصه همچنین نشان می‌دهد که چگونه می‌توان از سلسله مراتب چندگانه برای بهبود عملکرد HC با استفاده از چارچوب‌های مختلف یادگیری چندکاره (MTL) استفاده کرد.

p>

هدف این کتاب دو جنبه است:

1. با ارائه یک نمای کلی جامع از چندین تکنیک موجود، به محققان / مبتدیان تازه کار کمک کنید تا به سرعت عمل کنند.

2. چندین جهت تحقیقاتی را ارائه دهید که هنوز به طور گسترده برای پیشبرد مرزهای تحقیقاتی در HC مورد بررسی قرار نگرفته اند.

رویکردهای جدید مورد بحث در این کتاب شامل اطلاعات دقیق مربوط به تناقضات سلسله مراتبی، یادگیری چند وظیفه ای و انتخاب ویژگی برای HC است. . نتایج آن بسیار رقابتی با رویکردهای پیشرفته در ادبیات است.

This SpringerBrief covers the technical material related to large scale hierarchical classification (LSHC). HC is an important machine learning problem that has been researched and explored extensively in the past few years. In this book, the authors provide a comprehensive overview of various state-of-the-art existing methods and algorithms that were developed to solve the HC problem in large scale domains. Several challenges faced by LSHC is discussed in detail such as:

1. High imbalance between classes at different levels of the hierarchy

2. Incorporating relationships during model learning leads to optimization issues

3. Feature selection

4. Scalability due to large number of examples, features and classes

5. Hierarchical inconsistencies

6. Error propagation due to multiple decisions involved in making predictions for top-down methods

The brief also demonstrates how multiple hierarchies can be leveraged for improving the HC performance using different Multi-Task Learning (MTL) frameworks.

The purpose of this book is two-fold:

1. Help novice researchers/beginners to get up to speed by providing a comprehensive overview of several existing techniques.

2. Provide several research directions that have not yet been explored extensively to advance the research boundaries in HC.

New approaches discussed in this book include detailed information corresponding to the hierarchical inconsistencies, multi-task learning and feature selection for HC. Its results are highly competitive with the state-of-the-art approaches in the literature.