.png){kind=icon}
返回
The Multiplex Classification Framework: Optimizing Multi-Label Classifiers Through Problem Transformation, Ontology Engineering, and Model Ensembling
.png){kind=icon}
OA
AI
DOI：10.1177/15705838251340362.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类是机器学习中的基本任务。虽然传统方法（如二分类、多分类和多标签分类）对于简单问题有效，但可能无法充分应对某些现实场景的复杂性。本文介绍了多路分类框架（Multiplex Classification Framework），这是一种通过整合问题转换、本体工程和模型集成来应对这些及类似挑战的创新方法。该框架具有多项优势，包括适应任意类别数量和逻辑约束的能力、一种管理类别不平衡的创新方法、消除置信度阈值选择以及模块化结构。两项实验被开展，以比较传统分类模型与多路方法的性能。我们的结果表明，多路方法能够显著提升分类性能（总体F1分数最高提升10%），尤其在类别数量多且类别不平衡显著的分类问题中。然而，该方法也存在局限性，因为它需要充分理解问题领域及一定的本体工程经验，并且涉及训练多个模型，可能使整个过程更加复杂。总体而言，该方法为处理机器学习中复杂分类问题的研究人员和实践者提供了有价值的工具。
Keyword:
Multiplex Classification Framework
problem transformation
ontology engineering
model ensembling
class imbalance
期刊
IF:
3.5
论文数:
38
被引数:
306
机构
引用论文
Using an ontology of the human cardiovascular system to improve the classification of histological images.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Dataset of clinical cases, images, image labels and captions from open access case reports from PubMed Central (1990–2023)Nievas Offidani, M.A.; Delrieux, C.A. 临床病例、图像、图像标签和说明数据的开放获取病例报告数据集（PubMed Central, 1990–2023）。Data Brief 2024, 52, 110008. [Google Scholar] [CrossRef] [PubMed]
PREAI
分享收藏
查看更多内容