nach oben

Erschienen in:

2017 | OriginalPaper | Buchkapitel

Online Multi-label Passive Aggressive Active Learning Algorithm Based on Binary Relevance

verfasst von : Xizhi Guo, Yongwei Zhang, Jianhua Xu

Erschienen in: Neural Information Processing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Online multi-label learning is an efficient classification paradigm in machine learning. However, traditional online multi-label methods often need requesting all class labels of each incoming sample, which is often human cost and time-consuming in labeling classification problem. In order to tackle these problems, in this paper, we present online multi-label passive aggressive active (MLPAA) learning algorithm by combining binary relevance (BR) decomposition strategy with online passive aggressive active (PAA) method. The proposed MLPAA algorithm not only uses the misclassified labels to update the classifier, but also exploits correctly classified examples with low prediction confidence. We perform extensive experimental comparison for our algorithm and the other methods using nine benchmark data sets. The encouraging results of our experiments validate the effectiveness of our proposed method.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Periodic Associated Sensor Patterns Mining from Wireless Sensor Networks

Nächstes Kapitel Predicting Taxi Passenger Demands Based on the Temporal and Spatial Information

http://mulan.sourceforge.net/datasets-mlc.html.

Hoi, S.C.H., Wang, J.L., Zhao, P.: LIBOL: a library for online learning algorithms. J. Mach. Learn. Res. 15, 495–499 (2014)MATH

Rosenblatt, F.: The perceptron: a probabilistic model for information storage and organization in the brain. Psychol. Rev. 65(1), 386–408 (1958)CrossRef

Crammer, K., Dekel, O., Keshet, J., et al.: Online passive-aggressive algorithms. J. Mach. Learn. Res. 7, 551–585 (2006)MathSciNetMATH

Crammer, K., Kulesza, A., Dredze, M.: Adaptive regularization of weight vectors. Mach. Learn. 91(2), 155–187 (2013)MathSciNetCrossRefMATH

Crammer, K., Dredze, M., Pereira, F.: Exact convex confidence-weighted learning. In: Proceedings of the NIPS, pp. 345–352 (2008)

Liu, D., Zhang, P., Zheng, Q.: An efficient online active learning algorithm for binary classification. Pattern Recogn. Lett. 68(1), 22–26 (2015)CrossRef

Dasgupta, S., Kalai, A., Monteleoni, C.: Analysis of perceptron-based active learning. J. Mach. Learn. Res. 10, 281–299 (2009)MathSciNetMATH

Lu, J., Zhao, P., Hoi, S.C.H.: Online passive aggressive active learning and its applications. In: Proceedings of the ACML, pp. 266–282 (2014)

Zhao, P., Hoi, S.C.H., Jin, R.: Double updating online learning. J. Mach. Learn. Res. 12, 1587–1615 (2011)MathSciNetMATH

10.

Crammer, K., Dredze, M., Kulesza, A.: Multi-class confidence weighted algorithms. In: Proceedings of the EMNLP, pp. 496–504 (2009)

11.

Fink, M., Shwartz, S.S.; Singer, Y., et al.: Online multiclass learning by interclass hypothesis sharing. In: Proceedings of the ICML, pp. 313–320 (2006)

12.

Crammer, K., Singer, Y.: A family of additive online algortihtms for category ranking. J. Mach. Learn. Res. 3, 1025–1058 (2003)MathSciNetMATH

13.

Higuchi, D., Ozawa, S.: A neural network model for online multi-task multi-label pattern recognition. In: Mladenov, V., Koprinkova-Hristova, P., Palm, G., Villa, A.E.P., Appollini, B., Kasabov, N. (eds.) ICANN 2013. LNCS, vol. 8131, pp. 162–169. Springer, Heidelberg (2013). doi:10.1007/978-3-642-40728-4_21 CrossRef

14.

Park, S., Choi, S.: Online multi-label learning with accelerated nonsmooth stochastic gradient descent. In: ICASSP, pp. 3322–3326 (2013)

15.

Zhang, X., Graepel, T., Herbrich, R.: Bayesian online learning for multi-label and multi-variate performance measures. In: Proceedings of the AISTATS, pp. 956–963 (2013)

16.

Hua, X.S., et al.: Two-dimensional multi-label active learning with an efficient online adaptation model for image classification. IEEE Trans. Pattern Anal. Mach. Intell. 31(10), 1880–1897 (2009)CrossRef

17.

Hua, K., Sheng, X., Qi, G.: Online multi-label active learning for large-scale multimedia annotation. Technical report from Microsoft Research (2008). https://www.microsoft.com/en-us/research/wp-content/uploads/2008/06/tr-2008-103.pdf

18.

Gibaja, E., Ventura, S.: A tutorial on multi-label learning. ACM Comput. Surv. 47(3), 1–38 (2015). Article No. 51CrossRef

19.

Herbrich, R., Minka, T., Graepel, T.: TrueskillTM: a Bayesian skill ranking system. In: Proceedings of the NIPS, pp. 569–576 (2006)

20.

Cesa-Bianchi, N., Gentile, C., Zaniboni, L.: Worst-case analysis of selective sampling for linear classification. J. Mach. Learn. Res. 7, 1205–1230 (2006)MathSciNetMATH

21.

Cesa-Bianchi, N., Lugosi, G.: Prediction, Learning, and Games. Cambridge University Press, Cambridge (2006)CrossRefMATH

22.

Zhang, M.L., Zhou, Z.H.: A review on multi-label learning algorithms. IEEE Trans. Knowl. Data Eng. 26(8), 1819–1837 (2014)CrossRef

Titel: Online Multi-label Passive Aggressive Active Learning Algorithm Based on Binary Relevance
verfasst von: Xizhi Guo
Yongwei Zhang
Jianhua Xu
Verlag: Springer International Publishing
Buch: Neural Information Processing
Print ISBN: 978-3-319-70138-7

Electronic ISBN: 978-3-319-70139-4

Copyright-Jahr: 2017
DOI: https://doi.org/10.1007/978-3-319-70139-4_26

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"