คู่มือทางเทคนิค

การจำแนกหลายป้าย

การจัดหมวดหมู่แบบหลายป้ายกำกับเป็นงานการเรียนรู้ของเครื่องซึ่งแต่ละตัวอย่างสามารถกำหนดป้ายกำกับได้มากกว่าหนึ่งรายการพร้อมกัน ซึ่งแตกต่างจากการจัดหมวดหมู่แบบหลายคลาสมาตรฐานที่แต่ละตัวอย่างจะได้รับป้ายกำกับเดียวเท่านั้น

ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min

บนหน้านี้อ่าน 3 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการจำแนกประเภทหลายฉลาก
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

เป็นเรื่องสำคัญเนื่องจากปัญหาในโลกแห่งความเป็นจริงหลายอย่าง เช่น การแท็กบทความตามหัวข้อ หรือการระบุวัตถุหลายรายการในรูปภาพ โดยปกติแล้ว จำเป็นต้องกำหนดหมวดหมู่ที่ไม่เฉพาะเจาะจงหลายหมวดหมู่ในคราวเดียว

เจาะลึก

ในการจัดประเภทหลายคลาสมาตรฐาน แต่ละตัวอย่างอยู่ในหมวดหมู่ใดหมวดหมู่หนึ่งที่แยกจากกันไม่ได้ เช่น การจัดประเภทอีเมลว่าเป็น 'สแปม' หรือ 'ไม่ใช่สแปม' การจัดประเภทหลายป้ายกำกับจะลบสมมติฐานการผูกขาดร่วมกัน โดยอนุญาตให้ใช้ป้ายกำกับเป็นศูนย์ หนึ่งหรือหลายป้ายกับตัวอย่างเดียวกัน วิธีที่ใช้กันอย่างแพร่หลายสองวิธีจัดการกับปัญหานี้แตกต่างกัน ความเกี่ยวข้องของไบนารีจะฝึกตัวแยกประเภทไบนารีอิสระหนึ่งตัวต่อฉลาก โดยคาดการณ์ว่าแต่ละฉลากจะนำไปใช้หรือไม่ โดยไม่คำนึงถึงฉลากอื่นๆ มันเรียบง่ายและปรับขนาดได้ดี แต่ไม่สนใจความสัมพันธ์ที่อาจเกิดขึ้นระหว่างค่ายเพลง เช่น แท็กภาพยนตร์ 'ระทึกขวัญ' และ 'แอ็คชั่น' มักเกิดขึ้นร่วมกัน กลุ่มตัวแยกประเภทจัดการกับข้อจำกัดนี้โดยการฝึกลำดับของตัวแยกประเภทไบนารี โดยที่แต่ละตัวได้รับการคาดคะเนของตัวแยกประเภทก่อนหน้าในสายโซ่เป็นคุณสมบัติอินพุตเพิ่มเติม บันทึกการขึ้นต่อกันของฉลากโดยเสียค่าใช้จ่ายในการคำนึงถึงลำดับของฉลากที่เลือก และต่อการแพร่กระจายข้อผิดพลาดไปตามสายโซ่ Powerset ของฉลากเป็นอีกแนวทางหนึ่งที่ถือว่าแต่ละชุดของฉลากที่ไม่ซ้ำกันเป็นคลาสเดียวของตัวเอง ซึ่งรวบรวมความสัมพันธ์ของฉลากโดยตรง แต่จะประสบปัญหาเมื่อจำนวนของชุดฉลากที่เป็นไปได้เพิ่มขึ้นมากเกินไปเมื่อเทียบกับข้อมูลการฝึกอบรมที่มีอยู่ การประเมินยังแตกต่างจากการจัดหมวดหมู่แบบป้ายกำกับเดียว: ความแม่นยำมาตรฐานไม่เหมาะกับปัญหาที่มีหลายป้ายกำกับ เนื่องจากการทำนายสามารถแก้ไขได้บางส่วน ดังนั้นหน่วยเมตริก เช่น การสูญเสียแฮมมิง ซึ่งวัดเศษส่วนของป้ายกำกับที่คาดการณ์ผิดแต่ละรายการ และใช้คะแนน F1 ตามป้ายกำกับหรือตามตัวอย่างแทน ความเข้าใจผิดที่พบบ่อยคือการจัดการการจำแนกประเภทแบบหลายป้ายกำกับเทียบเท่ากับการเรียกใช้ตัวแยกประเภทแบบหลายคลาสมาตรฐานที่มีหมวดหมู่มากขึ้น สมมติฐานการผูกขาดซึ่งกันและกันที่รวมเข้ากับเอาท์พุต softmax หลายคลาสทั่วไป ทำให้แนวทางดังกล่าวมีโครงสร้างที่ผิดสำหรับปัญหาที่ฉลากสามารถเกิดขึ้นร่วมกันได้

การใช้งานจริงในโลกแห่งความเป็นจริง

ระบบการแนะนำบทความข่าวแท็กบทความเดียวว่าเป็นทั้ง 'การเมือง' และ 'เศรษฐกิจ' พร้อม ๆ กัน เนื่องจากเรื่องราวครอบคลุมทั้งสองหัวข้ออย่างแท้จริง แทนที่จะจัดหมวดหมู่พิเศษเพียงหมวดหมู่เดียว

แบบจำลองการถ่ายภาพทางการแพทย์จะทำเครื่องหมายการเอ็กซ์เรย์ทรวงอกเดี่ยวโดยแสดงสัญญาณของทั้งโรคปอดบวมและหัวใจที่ขยายใหญ่ขึ้นในเวลาเดียวกัน เนื่องจากผู้ป่วยสามารถมีอาการหลายอย่างที่เกิดขึ้นร่วมกันในการสแกนครั้งเดียว

แพลตฟอร์มแนะนำภาพยนตร์กำหนดป้ายกำกับภาพยนตร์ทั้ง 'ตลก' และ 'โรแมนติก' แทนที่จะบังคับให้เลือกประเภทเดียว ซึ่งสะท้อนให้เห็นว่าภาพยนตร์ผสมผสานประเภทต่างๆ อย่างไร

ตัวแยกประเภทตั๋วการสนับสนุนลูกค้าจะแท็กข้อความหนึ่งข้อความที่มีทั้งป้ายกำกับ 'ปัญหาการเรียกเก็บเงิน' และ 'ปัญหาการเข้าถึงบัญชี' เมื่อข้อความของลูกค้าอธิบายปัญหาทั้งสองในตั๋วเดียวกัน

อนาคตของการจำแนกประเภทหลายฉลาก

การจำแนกประเภทหลายป้ายกำกับยังคงมีความเกี่ยวข้อง เนื่องจากระบบการแท็กมัลติมีเดียและข้อความมีรายละเอียดมากขึ้น โดยเฉพาะอย่างยิ่งในบริบทการกลั่นกรองเนื้อหาและการแนะนำ ซึ่งรายการต่างๆ ไม่ค่อยเหมาะกับหมวดหมู่พิเศษเพียงหมวดหมู่เดียว แนวทางที่ร่วมกันสร้างแบบจำลองการขึ้นต่อกันของฉลาก แทนที่จะถือว่าฉลากมีความเป็นอิสระอย่างสมบูรณ์ ยังคงเป็นพื้นที่ที่ต้องปรับปรุง แม้ว่าความเกี่ยวข้องแบบไบนารียังคงเป็นบรรทัดฐานทั่วไปและมักจะเพียงพอในการผลิต เนื่องจากความเรียบง่ายและความสามารถในการปรับขนาดได้ ไม่มีการเปลี่ยนแปลงพื้นฐานจากแนวทางการสร้างแบบจำลองแบบอิงซิกมอยด์ต่อฉลากที่ใกล้จะเกิดขึ้น คำจำกัดความของฉลาก ตัวเลือกเกณฑ์ และค่าความผิดพลาดอาจแตกต่างกันไปตามเป้าหมาย ดังนั้นคะแนนต่อฉลากและการประเมินเฉพาะแอปพลิเคชันจึงมักให้ข้อมูลมากกว่าตัวเลขรวมเพียงตัวเดียว

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ต้นทุนและงบประมาณ. การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี
  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด
  • การควบคุมคุณภาพ. ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต

ระวัง

  • การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้
  • ต้นทุนโครงสร้างพื้นฐานและการบำรุงรักษามักถูกประเมินต่ำไป
  • ช่องว่างด้านความปลอดภัยและความสามารถในการสังเกตสามารถเพิ่มขึ้นได้เมื่อระบบมีความซับซ้อนมากขึ้น

ขั้นตอนต่อไป

  1. กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน
  2. เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง
  3. การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้
  4. เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

ทำแบบทดสอบการจำแนกประเภทหลายป้ายกำกับ

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

การจำแนกประเภทหลายฉลากคืออะไร

การจัดหมวดหมู่แบบหลายป้ายกำกับเป็นงานการเรียนรู้ของเครื่องซึ่งแต่ละตัวอย่างสามารถกำหนดป้ายกำกับได้มากกว่าหนึ่งรายการพร้อมกัน ซึ่งแตกต่างจากการจัดหมวดหมู่แบบหลายคลาสมาตรฐานที่แต่ละตัวอย่างจะได้รับป้ายกำกับเดียวเท่านั้น เป็นเรื่องสำคัญเนื่องจากปัญหาในโลกแห่งความเป็นจริงหลายอย่าง เช่น การแท็กบทความตามหัวข้อ หรือการระบุวัตถุหลายรายการในรูปภาพ โดยปกติแล้ว จำเป็นต้องกำหนดหมวดหมู่ที่ไม่เฉพาะเจาะจงหลายหมวดหมู่ในคราวเดียว

เรื่องข่าวสามารถรับได้ทั้งแท็ก "การเมือง" และ "การเงิน" การตั้งค่าเป้าหมายใดที่เหมาะกับงานนี้

คู่มือนี้กำหนดการจำแนกประเภทป้ายกำกับหลายรายการโดยลบสมมติฐานการผูกขาดร่วมกัน ทำให้สามารถใช้ป้ายกำกับหลายรายการกับตัวอย่างเดียวได้

เมื่อแท็กภาพยนตร์ เช่น "ระทึกขวัญ" และ "แอ็คชั่น" มักเกิดขึ้นร่วมกัน ความเกี่ยวข้องแบบไบนารี่อิสระมีข้อจำกัดอะไรบ้าง

ความเกี่ยวข้องแบบไบนารีจะฝึกตัวแยกประเภทอิสระต่อป้ายกำกับ โดยไม่มีความสัมพันธ์เช่นแท็กสองแท็กที่มีแนวโน้มที่จะเกิดขึ้นร่วมกัน

กลุ่มตัวแยกประเภทจะจัดการกับข้อ จำกัด ของความสัมพันธ์แบบไบนารีตามคำแนะนำอย่างไร

สายโซ่ตัวแยกประเภทส่งการคาดการณ์ก่อนหน้าไปตามสายโซ่เป็นคุณสมบัติเพิ่มเติม โดยบันทึกการขึ้นต่อกันระหว่างป้ายกำกับ

แนวทาง Powerset ของฉลากประสบปัญหาใดตามที่อธิบายไว้ในคู่มือ

Powerset ของป้ายกำกับจะถือว่าการรวมป้ายกำกับแต่ละชุดเป็นคลาสของตัวเอง ซึ่งจะใช้งานไม่ได้เนื่องจากการรวมกันทวีคูณโดยสัมพันธ์กับข้อมูลที่มีอยู่

เหตุใดความแม่นยำมาตรฐานจึงถือเป็นเมตริกการประเมินที่ไม่ดีสำหรับการจำแนกประเภทหลายป้ายกำกับตามคำแนะนำ

คู่มือนี้อธิบายว่าการคาดการณ์แบบหลายป้ายกำกับอาจมีความถูกต้องได้บางส่วน ซึ่งความแม่นยำมาตรฐานไม่ได้แสดงได้ดีนัก ซึ่งเป็นปัจจัยที่สร้างแรงบันดาลใจ เช่น การสูญเสีย Hamming

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →