دوره 22، شماره 2 - ( 6-1404 )
جلد 22 شماره 2 صفحات 138-127 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nasiri M, Daneshpour N. Presenting a new method for multi label classification based on neural network. JSDP 2025; 22 (2) : 8
URL: http://jsdp.rcisp.ac.ir/article-1-1433-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1433-fa.html
نصیری محسن، دانشپور نگین. ارائه روشی جدید برای طبقه‌بندی چندبرچسبی برمبنای شبکه‌های عصبی. پردازش علائم و داده‌ها. 1404; 22 (2) :127-138
دانشیار دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
چکیده: (246 مشاهده)
طبقه‌بندی چندبرچسبی نوعی از طبقه‌بندی است که در آن نمونه‌ها می‌توانند صفر، یک یا بیش از یک برچسب داشته باشند؛ به‌عبارت‌دیگر هر نمونه به‌وسیله یک مجموعه از برچسب‌ها نمایش داده می‌شود. با توجه به پژوهش‌های اخیر، درنظرگرفتن ارتباط بین برچسب‌ها نتایج بهتری را حاصل می‌کند. در این مقاله برای درنظرگرفتن ارتباط بین برچسب‌ها، در مرحله نخست از خوشه‌بندی k- میانگین با محدودیت استفاده و در مرحله دوم برای هر خوشه یک شبکه عصبی پرسپترون چندلایه درنظر گرفته شده‌است؛ درنهایت با ترکیب برچسب‌های پیش‌بینی‌شده به‌وسیله طبقه‌بندها، برچسب‌های نهایی به‌دست می‌آید. با توجه به اینکه تعداد شبکه‌های عصبی نسبت به حالت معمول افزایش و به‌تبع آن‌زمان آموزش داده‌ها بیشتر می‌شود، روش جدیدی برای کاهش ابعاد با استفاده از جمع پراکنده به‌کار برده شده‌است. با ارزیابی روش پیشنهادی بر روی مجموعه‌داده‌های موجود در مقایسه با روش‌های پیشین این نتیجه حاصل شد که روش پیشنهادی در سه مجموعه‌داده از نوع متن در بسیاری از معیارها مانند دقت، صحت و فاصله همینگ در بین الگوریتم‌ها رتبه نخست را داشته است.
شماره‌ی مقاله: 8
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1403/4/24 | پذیرش: 1403/12/25 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
دریافت: 1403/4/24 | پذیرش: 1403/12/25 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
فهرست منابع
1. Han, Jiawei, Jian Pei, and Micheline Kamber, Data mining: concepts and techniques, Elsevier, 2011.
2. Zhang, Min-Ling, and Zhi-Hua Zhou. "A review on multi-label learning algorithms", IEEE transactions on knowledge and data engineering, 26.8, 1819-1837, 2013. [DOI:10.1109/TKDE.2013.39]
3. Chalkidis, Ilias, et al. "Large-scale multi-label text classification on EU legislation", arXiv preprint arXiv, 1906.02192, 2019. [DOI:10.18653/v1/P19-1636]
4. Spyromitros-Xioufis, Eleftherios, et al. "Multi-target regression via input space expansion: treating targets as inputs", Machine Learning, 104, 55-98, 2016. [DOI:10.1007/s10994-016-5546-z]
5. Yang, Qi, et al. "Amnn: Attention-based multimodal neural network model for hashtag recommendation", IEEE Transactions on Computational Social Systems, 7.3, 768-779, 2020. [DOI:10.1109/TCSS.2020.2986778]
6. Lee, Jaesung, et al. "Compact feature subset-based multi-label music categorization for mobile devices", Multimedia Tools and Applications, 78, 4869-4883, 2019. [DOI:10.1007/s11042-018-6100-8]
7. Wang, Jiang, et al. "Cnn-rnn: A unified framework for multi-label image classification", Proceedings of the IEEE conference on computer vision and pattern recognition, 2016. [DOI:10.1109/CVPR.2016.251]
8. Khandagale, Sujay, Han Xiao, and Rohit Babbar, "Bonsai: diverse and shallow trees for extreme multi-label classification", Machine Learning 109 (11), 2099-2119, 2020. [DOI:10.1007/s10994-020-05888-2]
9. Tanaka, Erica Akemi, et al. "A multi-label approach using binary relevance and decision trees applied to functional genomics", Journal of biomedical informatics, 54, 85-95, 2015. [DOI:10.1016/j.jbi.2014.12.011] [PMID]
10. Prajapati, Purvi, Thakkar, Amit, "Performance improvement of extreme multi-label classification using K-way tree construction with parallel clustering algorithm", Journal of King Saud University-Computer and Information Sciences, 34(8), 6354-6364, 2021. [DOI:10.1016/j.jksuci.2021.02.014]
11. Prabhu, Yashoteja, et al. "Parabel: Partitioned label trees for extreme classification with application to dynamic search advertising", Proceedings of the 2018 World Wide Web Conference, 2018, 993-1002. [DOI:10.1145/3178876.3185998]
12. Zhang, Min-Ling, et al. "Binary relevance for multi-label learning: an overview", Frontiers of Computer Science, 12(2), 191-202, (2018). [DOI:10.1007/s11704-017-7031-7]
13. Jun, Xie, et al. "Conditional entropy based classifier chains for multi-label classification", Neurocomputing, 335, 185-194, 2019. [DOI:10.1016/j.neucom.2019.01.039]
14. Wang, Ran, et al. "Active k-labelsets ensemble for multi-label classification", Pattern Recognition, 109, 107583, (2021). [DOI:10.1016/j.patcog.2020.107583]
15. Moyano, Jose M., et al. "Combining multi-label classifiers based on projections of the output space using Evolutionary algorithms", Knowledge-Based Systems, 196, 105770, 2020. [DOI:10.1016/j.knosys.2020.105770]
16. Cerri, Ricardo, Rodrigo C. Barros, and André CPLF De Carvalho, "Hierarchical multi-label classification using local neural networks", Journal of Computer and System Sciences, 80.1, 39-56, 2014. [DOI:10.1016/j.jcss.2013.03.007]
17. Li, Junlong, et al. "Learning common and label-specific features for multi-Label classification with correlation information", Pattern Recognition , 121, 108259, 2022.
https://doi.org/10.1016/j.patcog.2021.108259 [DOI:10.1016/j.patcog.2021.108256]
18. Zhu, Xiaoyan, et al. "Dynamic ensemble learning for multi-label classification", Information Sciences, 623, 94-111, 2023. [DOI:10.1016/j.ins.2022.12.022]
19. J. Huang, G. Li, Q. Huang, X. Wu, "Learning label specific features for multi-label classification", IEEE ICDM 2015, pp. 181-190, 2015. [DOI:10.1109/ICDM.2015.67]
20. J. Huang, G. Li, Q. Huang, X. Wu, "Learning label-specific features and class dependent labels for multi-label classification", IEEE Trans. Knowl. Data Eng, 28 (12), 3309-3323, 2016. [DOI:10.1109/TKDE.2016.2608339]
21. A. Braytee, W. Liu, A. Anaissi, P.J. Kennedy, "Correlated multi-label classification with incomplete label space and class imbalance", ACM Trans. Intell. Syst. Technol. 10 (5), 56:1-56:26, 2019. [DOI:10.1145/3342512]
22. Y. Wang, W. Zheng, Y. Cheng, D. Zhao, "Joint label completion and label-specific features for multi-label learning algorithm", Soft Comput, 24 (11), 6553-6569, 2020. [DOI:10.1007/s00500-020-04775-1]
23. H. Han, M. Huang, Y. Zhang, X. Yang, W. Feng, "Multi-label learning with label specific features using correlation information", IEEE Access 7, 11474- 11484, 2017. [DOI:10.1109/ACCESS.2019.2891611]
24. X. Jia, S. Zhu, W. Li, "Joint label-specific features and correlation information for multi-label learning", J. Comput. Sci. Technol. 35 (2) (2020) 247-258 [DOI:10.1007/s11390-020-9900-z]
25. صامت عمرانی، مسلم، صنیعی آباده، محمد، مقدم چرکری، نصراله، «تشخیص شایعه در شبکه اجتماعی توییتر با استفاده از ویژگی‌های توییت و کاربر»، فصلنامة پردازش علائم و داده‌ها، دورة 21، شمارة 2، صص 15-28، 1403.
25. Moslem Samet Omrani, Mohammad Saniee Abadeh, Nasrollah Moghaddam Charkari, "Rumor Detection on Twitter using tweet and user features", Signal and Data Processing, 21(2), 15-28. 2024. [DOI:10.61186/jsdp.21.2.15]
26. پروین نیا، الهام، صفری، محمد، خیامی، سید علیرضا، «تشخیص حالت غیر نرمال ماشین های دوار با داده کاوی در پارامترهای حفاظتی»، فصلنامة پردازش علائم و داده‌ها، دورة 21، شمارة 1، صص 27-38، 1403.
26. Elham Parvinnia, Mohammad Safari, Seyed Alireza Khayami, "Exploring on rotating machines abnormal state with data mining in protective parameters", Signal and Data Processing, 21(1), 27-38, 2024. [DOI:10.61186/jsdp.21.1.27]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
