Efficient Monte Carlo optimization for multi-label classifier chains

Luengo García, David; Read, Jesse y Martino, Luca (2013). Efficient Monte Carlo optimization for multi-label classifier chains. En: "38th International Conference on Acoustics, Speech, and Signal Processing (ICASSP)", 26/05/2013 - 31/05/2013, Vancouver (Canadá). ISBN 978-1-4799-0356-6. pp. 3457-3461.

Descripción

Título: Efficient Monte Carlo optimization for multi-label classifier chains
Autor/es:
  • Luengo García, David
  • Read, Jesse
  • Martino, Luca
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: 38th International Conference on Acoustics, Speech, and Signal Processing (ICASSP)
Fechas del Evento: 26/05/2013 - 31/05/2013
Lugar del Evento: Vancouver (Canadá)
Título del Libro: Proceedings of the 2013 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2013)
Fecha: 2013
ISBN: 978-1-4799-0356-6
Materias:
Palabras Clave Informales: multi-label classification; Monte Carlo methods; classifier chains
Escuela: E.U.I.T. Telecomunicación (UPM) [antigua denominación]
Departamento: Ingeniería de Circuitos y Sistemas [hasta 2014]
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (587kB) | Vista Previa

Resumen

Multi-label classification (MLC) is the supervised learning problem where an instance may be associated with multiple labels. Modeling dependencies between labels allows MLC methods to improve their performance at the expense of an increased computational cost. In this paper we focus on the classifier chains (CC) approach for modeling dependencies. On the one hand, the original CC algorithm makes a greedy approximation, and is fast but tends to propagate errors down the chain. On the other hand, a recent Bayes-optimal method improves the performance, but is computationally intractable in practice. Here we present a novel double-Monte Carlo scheme (M2CC), both for finding a good chain sequence and performing efficient inference. The M2CC algorithm remains tractable for high-dimensional data sets and obtains the best overall accuracy, as shown on several real data sets with input dimension as high as 1449 and up to 103 labels.

Más información

ID de Registro: 33285
Identificador DC: http://oa.upm.es/33285/
Identificador OAI: oai:oa.upm.es:33285
URL Oficial: https://www2.securecms.com/ICASSP2013/default.asp
Depositado por: Memoria Investigacion
Depositado el: 15 Abr 2015 16:05
Ultima Modificación: 15 Abr 2015 17:16
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM