ต่อไปคำแนะนำต่อไป
การแชร์พารามิเตอร์แบบฮาร์ดในเครือข่ายแบบหลายงาน
เทคนิค
คู่มือทางเทคนิค
การจัดหมวดหมู่แบบหลายป้ายกำกับเป็นงานการเรียนรู้ของเครื่องซึ่งแต่ละตัวอย่างสามารถกำหนดป้ายกำกับได้มากกว่าหนึ่งรายการพร้อมกัน ซึ่งแตกต่างจากการจัดหมวดหมู่แบบหลายคลาสมาตรฐานที่แต่ละตัวอย่างจะได้รับป้ายกำกับเดียวเท่านั้น
ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min
เป็นเรื่องสำคัญเนื่องจากปัญหาในโลกแห่งความเป็นจริงหลายอย่าง เช่น การแท็กบทความตามหัวข้อ หรือการระบุวัตถุหลายรายการในรูปภาพ โดยปกติแล้ว จำเป็นต้องกำหนดหมวดหมู่ที่ไม่เฉพาะเจาะจงหลายหมวดหมู่ในคราวเดียว
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
ระบบการแนะนำบทความข่าวแท็กบทความเดียวว่าเป็นทั้ง 'การเมือง' และ 'เศรษฐกิจ' พร้อม ๆ กัน เนื่องจากเรื่องราวครอบคลุมทั้งสองหัวข้ออย่างแท้จริง แทนที่จะจัดหมวดหมู่พิเศษเพียงหมวดหมู่เดียว
แบบจำลองการถ่ายภาพทางการแพทย์จะทำเครื่องหมายการเอ็กซ์เรย์ทรวงอกเดี่ยวโดยแสดงสัญญาณของทั้งโรคปอดบวมและหัวใจที่ขยายใหญ่ขึ้นในเวลาเดียวกัน เนื่องจากผู้ป่วยสามารถมีอาการหลายอย่างที่เกิดขึ้นร่วมกันในการสแกนครั้งเดียว
แพลตฟอร์มแนะนำภาพยนตร์กำหนดป้ายกำกับภาพยนตร์ทั้ง 'ตลก' และ 'โรแมนติก' แทนที่จะบังคับให้เลือกประเภทเดียว ซึ่งสะท้อนให้เห็นว่าภาพยนตร์ผสมผสานประเภทต่างๆ อย่างไร
ตัวแยกประเภทตั๋วการสนับสนุนลูกค้าจะแท็กข้อความหนึ่งข้อความที่มีทั้งป้ายกำกับ 'ปัญหาการเรียกเก็บเงิน' และ 'ปัญหาการเข้าถึงบัญชี' เมื่อข้อความของลูกค้าอธิบายปัญหาทั้งสองในตั๋วเดียวกัน
การจำแนกประเภทหลายป้ายกำกับยังคงมีความเกี่ยวข้อง เนื่องจากระบบการแท็กมัลติมีเดียและข้อความมีรายละเอียดมากขึ้น โดยเฉพาะอย่างยิ่งในบริบทการกลั่นกรองเนื้อหาและการแนะนำ ซึ่งรายการต่างๆ ไม่ค่อยเหมาะกับหมวดหมู่พิเศษเพียงหมวดหมู่เดียว แนวทางที่ร่วมกันสร้างแบบจำลองการขึ้นต่อกันของฉลาก แทนที่จะถือว่าฉลากมีความเป็นอิสระอย่างสมบูรณ์ ยังคงเป็นพื้นที่ที่ต้องปรับปรุง แม้ว่าความเกี่ยวข้องแบบไบนารียังคงเป็นบรรทัดฐานทั่วไปและมักจะเพียงพอในการผลิต เนื่องจากความเรียบง่ายและความสามารถในการปรับขนาดได้ ไม่มีการเปลี่ยนแปลงพื้นฐานจากแนวทางการสร้างแบบจำลองแบบอิงซิกมอยด์ต่อฉลากที่ใกล้จะเกิดขึ้น คำจำกัดความของฉลาก ตัวเลือกเกณฑ์ และค่าความผิดพลาดอาจแตกต่างกันไปตามเป้าหมาย ดังนั้นคะแนนต่อฉลากและการประเมินเฉพาะแอปพลิเคชันจึงมักให้ข้อมูลมากกว่าตัวเลขรวมเพียงตัวเดียว
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การจัดหมวดหมู่แบบหลายป้ายกำกับเป็นงานการเรียนรู้ของเครื่องซึ่งแต่ละตัวอย่างสามารถกำหนดป้ายกำกับได้มากกว่าหนึ่งรายการพร้อมกัน ซึ่งแตกต่างจากการจัดหมวดหมู่แบบหลายคลาสมาตรฐานที่แต่ละตัวอย่างจะได้รับป้ายกำกับเดียวเท่านั้น เป็นเรื่องสำคัญเนื่องจากปัญหาในโลกแห่งความเป็นจริงหลายอย่าง เช่น การแท็กบทความตามหัวข้อ หรือการระบุวัตถุหลายรายการในรูปภาพ โดยปกติแล้ว จำเป็นต้องกำหนดหมวดหมู่ที่ไม่เฉพาะเจาะจงหลายหมวดหมู่ในคราวเดียว
คู่มือนี้กำหนดการจำแนกประเภทป้ายกำกับหลายรายการโดยลบสมมติฐานการผูกขาดร่วมกัน ทำให้สามารถใช้ป้ายกำกับหลายรายการกับตัวอย่างเดียวได้
ความเกี่ยวข้องแบบไบนารีจะฝึกตัวแยกประเภทอิสระต่อป้ายกำกับ โดยไม่มีความสัมพันธ์เช่นแท็กสองแท็กที่มีแนวโน้มที่จะเกิดขึ้นร่วมกัน
สายโซ่ตัวแยกประเภทส่งการคาดการณ์ก่อนหน้าไปตามสายโซ่เป็นคุณสมบัติเพิ่มเติม โดยบันทึกการขึ้นต่อกันระหว่างป้ายกำกับ
Powerset ของป้ายกำกับจะถือว่าการรวมป้ายกำกับแต่ละชุดเป็นคลาสของตัวเอง ซึ่งจะใช้งานไม่ได้เนื่องจากการรวมกันทวีคูณโดยสัมพันธ์กับข้อมูลที่มีอยู่
คู่มือนี้อธิบายว่าการคาดการณ์แบบหลายป้ายกำกับอาจมีความถูกต้องได้บางส่วน ซึ่งความแม่นยำมาตรฐานไม่ได้แสดงได้ดีนัก ซึ่งเป็นปัจจัยที่สร้างแรงบันดาลใจ เช่น การสูญเสีย Hamming
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การแชร์พารามิเตอร์แบบฮาร์ดในเครือข่ายแบบหลายงาน
เทคนิค