Як застосувати нейронні мережі до задач класифікації на багато міток?

Опис:

Нехай проблемною областю буде класифікація документів там, де існує набір функцій векторів, кожен з яких належить до 1 або більше класів. Наприклад, документ doc_1може належати Sportsі Englishкатегорії.

Питання:

Використовуючи нейронну мережу для класифікації, якою міткою був би вектор функції? це був би вектор, що складається з усіх класів таким, що 0 значення надається нерелевантним класам, а 1 - відповідним класам? Отже, якщо список міток класу є [Sports, News, Action, English, Japanese], то для документа doc_1мітка буде [1, 0, 0, 1, 0]?

Так, при навчанні на багато міток інформація мітки часто кодується як описаний вами бінарний вектор. Так само простіше, тому для оцінки.

Ми, можливо, захочемо перевірити MULAN - бібліотеку Java з відкритим кодом для навчання на багато міток. Це розширення Weka і реалізує багато класифікаторів, що містять багато міток, включені нейронні мережі. Наприклад, ви можете знайти BP-МП тут .

Здається, це папір, яку ви шукаєте:

Мін-Лінг Чжан та Чжі-Хуа Чжоу: Нейронні мережі з різними мітками з додатками до функціональної геноміки та категоризації тексту

З реферату:

При навчанні на декількох мітках кожен екземпляр навчального набору асоціюється з набором міток, а завдання - вивести набір міток, розмір яких апріорі невідомий для кожного небаченого екземпляра. У цій роботі ця проблема розглядається у розділі Таким чином, запропонований алгоритм нейронної мережі з назвою BP-MLL, тобто зворотне розповсюдження для навчання на багато міток. ... Застосування до двох проблем у навчанні в реальному масштабі життя, тобто функціональної геноміки та категоризації тексту, показують, що ефективність BP-MLL перевершує ефективність деяких добре встановлених алгоритмів навчання для багатьох міток.