【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 5：实验结果

已于 2025-01-05 10:17:36 修改
阅读量1.1k 收藏 17
点赞数 10
文章标签： 分类 数据挖掘 人工智能
于 2025-01-04 23:02:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liangdaojun/article/details/144936007
版权

目录

论文：Multi-Head Encoding for Extreme Label Classification
作者：Daojun Liang, Haixia Zhang, Dongfeng Yuan and Minggao Zhang
单位：山东大学
代码：https://github.com/Anoise/MHE

论文地址：Online，ArXiv，GItHub

背景动机参见 【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 1
基础知识参见 【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 2
算法实现参见 【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 3
表示能力参见 【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 4
实验结果参见 【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 5
无需预处理见 【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 6

请各位同学给我点赞，激励我创作更好、更多、更优质的内容！^_^

关注微信公众号，获取更多资讯
在这里插入图片描述

1 常见单标签数据集

在xsl、XMLC和模型预训练上进行了大量的实验，以充分验证所提出的三种基于mhe的算法处理CCOP的有效性。
在这里插入图片描述
我们在ImageNet-2012、CIFAR-1

最低0.47元/天 解锁文章
deardao
关注
【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 1：背景动机
liangdaojun的博客
01-04 1689
在多头编码中，在训练期间将标签分解到多头分类器的输出上，并在测试中组合输出以获得预测标签。与上述方法不同的是，如图1所示，我们将原始分类器分解为多个头，并将极端标签概念化为高维空间中的点。在训练过程中，极端标签的坐标分量对应于每个头的局部标签。这个过程涉及将极端标签分解为多个局部标签的乘积，从而几何地减少极端标签的编码长度。测试时，每个头贡献一个坐标分量，形成高维空间中的一个点，可以将其投影到整数轴上以获得极值标签。
【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 3：算法实现
liangdaojun的博客
01-04 1625
多头编码（MHE）的三种算法实现。多头乘积（MHP）用于极限单标签分类，多头级联（MHC）用于极限多标签分类，多头采样（MHS）用于大型预训练模型。
【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 4：MHE表示能力
liangdaojun的博客
01-04 815
获取更多资讯。
【顶刊TPAMI 2025】多头编码（MHE）之Part 6：极限分类无需预处理
liangdaojun的博客
01-04 1262
对于极限分类问题，标签预处理技术，如标签层级树（HLT）和标签聚类（LC），是不必要的，因为低秩近似仍然独立于标签定位。这不仅可以显著提高训练推理速度，而且可以实现多gpu并行加速。其次，当标签与数据过拟合时，模型泛化与标签的语义无关。
【顶刊TPAMI 2025】多头编码（MHE）之极限分类 Part 2：基础知识
liangdaojun的博客
01-04 1181
多头编码（MHE）的分解与组合过程。MHE中的标签分解包括将极端标签分解为多个易于处理的局部标签，然后将这些局部标签用于训练神经网络。组合过程将局部标签组合成全局标签，得到最终的预测。
《Pytorch深度学习实践》ch8-多分类
2301_79715645的博客
06-05 637
-----B站《刘二大人》
【配置 YOLOX 用于按目录分类的图片数据集】
06-06 361
摘要：针对图标点选识别需求，本文提出采用YOLOX目标检测模型的解决方案。首先需将图标按类别分类存放（如banner、apple等目录），通过Python脚本转换为YOLOX所需格式，包括生成标注文件和划分训练/验证集。重点配置数据路径、类别数和输入尺寸，并调整数据加载逻辑。该方法支持将整图作为分类单元，若需精准定位则需补充边界框标注。最后提供训练命令示例，强调输入尺寸适配和损失函数调整等关键注意事项。该方案有效简化了多图标识别流程，适用于图像分类和目标检测场景。
第46节：多模态分类（图像+文本）
2401_82355416的博客
06-05 270
多模态图像-文本分类研究综述：多模态分类通过整合图像、文本等不同模态数据，利用互补信息提升分类性能。核心挑战在于跨模态表示学习和融合策略，主要方法包括双流架构、统一Transformer和对比学习模型。该技术广泛应用于社交媒体分析、电子商务、医疗健康等领域，但仍面临模态不平衡、可解释性等挑战。未来发展趋势包括更强大的预训练范式、动态融合机制及多模态知识增强等研究方向。
AI 模型分类全解：特性与选择指南
无声旅者的博客
06-06 1321
选择合适的 AI 模型需要综合考虑任务类型、数据特性、资源限制和模型性能等多个因素。
「基于连续小波变换（CWT）和卷积神经网络（CNN）的心律失常分类算法——ECG信号处理-第十五课」2025年6月6日
刘小小_算法工程师的博客
06-06 896
本文档提出了一种结合小波变换和 CNN 的心律失常分类方法，旨在充分发挥小波变换在信号时频分析方面的优势以及 CNN 在处理二维图像数据方面的强大能力，实现对心律失常信号的高效、准确分类。
机器学习：集成学习概念和分类、随机森林、Adaboost、GBDT
sulin123123的博客
06-03 1018
集成学习是一种通过结合多个基学习器（弱学习器）的预测结果来提升模型整体性能的机器学习方法。随机森林是基于 Bagging 思想实现的一种集成学习算法，通过构建多棵决策树并结合它们的预测结果来提高模型的准确性和鲁棒性。Bagging 框架通过有放回的抽样产生不同的训练集，从而训练具有差异性的弱学习器，然后通过平权投票、多数表决的方式决定预测结果。2.在根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本（增加权重）在后续得到最大的关注；5.再将这T个基学习器进行加权结合得到集成学习器。
Auto-Coder使用GPT-4o完成：在用TabPFN这个模型构建一个预测未来3天涨跌的分类任务
skywalk8163的专栏
06-06 518
用TabPFN这个模型构建一个预测未来 3 天股价涨跌的分类任务，进行预测并输出准确率。这个准确率低于50%,反而可能证明程序是对的。
Kaggle-Predicting Optimal Fertilizers-(多分类+xgboost+同一特征值多样性)
m0_52398496的博客
06-05 535
3.由于label是category类型，但是xgb不可以处理category类型，因此需要先编码，最后求出结果之后再解码。1.有数字型和类别型，类别不能随意换成数字，独热编码。cat可以直接处理category类型。1.catboost交叉验证、xgboost交叉验证。给出土壤的特性，预测出3种最佳的肥料。2.构造一些相关土壤特性特征。
MADlib —— 基于 SQL 的数据挖掘解决方案（4）—— 数据类型之矩阵
wzy0623的专栏
06-06 1122
矩阵定义、MADlib 中的矩阵表示、MADlib 中的矩阵运算函数、矩阵与数据分析
PySpark、Plotly全球重大地震数据挖掘交互式分析及动态可视化研究
拓端研究室TRL
06-05 795
Yapeng Zhao 是一名具备专业素养的数据分析师，在数据处理与分析领域积累了扎实的技术能力，其在大数据框架应用、多维数据可视化及分布式计算优化方面的实践经验，为本研究的数据处理效率提升与分析模型构建提供了重要技术支持。项目以1965-2016年全球重大地震数据集（Global Major Earthquake Dataset）为研究对象，综合运用PySpark分布式计算框架、高德地图逆地理编码服务及Plotly动态图表工具，系统性挖掘地震活动的时空规律与能量特征。中国西部因板块构造活动成为地震热点；
深度学习之模型压缩三驾马车：基于ResNet18的模型剪枝实战（2）
ak47maker的博客
06-05 636
本文针对ResNet18模型剪枝进行了优化改进，主要包含三个方面：1) 将剪枝目标层从底层conv1调整为中间层layer2.0.conv1，减少对基础特征的破坏；2) 采用基于激活值的前向传播方法评估通道重要性，优先剪除低激活通道；3) 改进微调策略，动态解冻关联层并使用更低学习率(0.0001)进行10轮微调。这些优化有效提升了剪枝后模型的稳定性和性能表现，特别是通过中间层剪枝和基于特征贡献的通道选择策略，避免了底层特征破坏带来的连锁反应。
yolo模型精度提升策略
最新发布
qq_47798402的博客
06-09 290
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
【python深度学习】Day 45 Tensorboard使用介绍
2203_75479908的博客
06-05 669
之前在神经网络训练中，为了帮助自己理解，借用了很多的组件，比如训练进度条、可视化的loss下降曲线、权重分布图，运行结束后还可以查看单张图的推理效果。tensorboard这个库，集成了以上所有可视化工具。
智能终端与边缘计算
wozaiwurenchu的博客
06-05 868
Cloudlet的定义和主要特征Cloudlet（微云）概念于2009年首次出现。它是一种成熟的边缘计算系统，旨在将移动计算的“端-云”两层架构转变为**“端-边-云”的三层架构** [对话历史]。Cloudlet通常部署在网络边缘，靠近接入点、基站或汇聚点，甚至可以直接运行在智能网联汽车或无人机上 [对话历史]。主要特征：可信且资源丰富的主机或机群。基于虚拟机技术，为移动终端提供服务。Cloudlet通过将与具体应用相关的数据部分从通用部分中抽离出来，形成VM Overlay与Base VM。
顶刊TPAMI 2025
04-23
### TPAMI 2025 年论文趋势与领域发展 #### 跨模态学习的趋势 随着跨模态技术的发展，TPAMI 2025 的研究可能更加关注语言和视觉之间的深层次交互。例如，在少样本类增量学习中，利用语言引导的关系迁移（Language-...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值