arXiv cs.CL· Christoffer L\"offler·· 23 小时前AI 评分20
长尾多标签分类中的标签依赖:尾部标签的召回有多少靠“同伴”撑起
When the tail is earned by its companions: measuring label dependence in long-tailed multi-label classification
AI 导读
研究提出一种训练前即可计算的统计量,用于界定长尾多标签分类中报告的召回率能比“无同伴”召回高出多少。在 23 个语料库、7 种训练目标和五类标签相关机制上,所有 6 个可定义该指标的语料库中无同伴召回均不达标,最多 18.4% 的尾部真阳性在无同伴召回率下会消失。现有长尾目标均未降低这种依赖,但模型架构会改变它:尾部得分由其他标签预测算出的模型依赖显著更强。
正文 · AI 翻译
摘要:稀有标签很少单独出现,分类器可以从与其共现的频繁标签(即其伴随标签)中恢复它,而无需学习该标签本身。现有的此类诊断需要一个已训练的模型:没有一种方法能在训练前说明某个语料库是否存在这种失败,或标准聚合指标掩盖了什么。Macro-F1 与任何基于逐标签混淆计数的度量一样,不会因某标签的召回率在有伴随标签和无伴随标签的出现之间如何分配而改变。我们引入了这种分配的标签内估计量、一条判读规则(只有当无伴随标签召回率上升时,依赖性的下降才计入)以及一个基于训练标签的统计量,该统计量在训练前界定所报告的召回率能超出无伴随标签召回率多少。在 23 个语料库、7 个训练目标和五类标签相关机制上,在估计量有定义的全部六个语料库中,无伴随标签召回率均不足。在无伴随标签率下,macro-F1 所计入的尾部真正例中最多有 18.4% 会消失,且在每个语料库上均处于训练标签界内。没有任何长尾目标能降低这种依赖性,但架构会改变它。尾部得分由其他标签的预测计算得出的模型具有强依赖性。
| 评论: | 27 页,3 幅图,13 张表。已投稿至 Information Sciences |
| 主题: | 机器学习(cs.LG);计算与语言(cs.CL);信息检索(cs.IR) |
| 引用为: | arXiv:2611.22859 [cs.LG] |
| (或 arXiv:2611.22859v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22859 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Christoffer Loeffler [查看邮箱]
[v1]
2026 年 11 月 17 日星期二 14:38:19 UTC(127 KB)
来源:arXiv cs.CL · arxiv.org