Semi-supervised Learning Algorithm for Binary Relevance Multi-label Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F15%3A43926628" target="_blank" >RIV/49777513:23520/15:43926628 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007%2F978-3-319-20370-6_1" target="_blank" >http://link.springer.com/chapter/10.1007%2F978-3-319-20370-6_1</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-20370-6_1" target="_blank" >10.1007/978-3-319-20370-6_1</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Semi-supervised Learning Algorithm for Binary Relevance Multi-label Classification

Popis výsledku v původním jazyce

The presented paper describes our model for the WISE 2014 challenge multi-label classification task. The goal of the challenge was to implement a multi-label text classification model which maximizes the mean F1 score on a private test data. The described method involves a binary relevance scheme with linear classifiers trained using stochastic gradient descent. A novel method for determining the values of classifiers' meta-parameters was developed. In addition, our solution employs the semi-supervisedlearning which significantly improves the evaluation score. The presented solution won the third place in the challenge. The results are discussed and the supervised and semi-supervised approaches are compared.

Název v anglickém jazyce

Semi-supervised Learning Algorithm for Binary Relevance Multi-label Classification

Popis výsledku anglicky

The presented paper describes our model for the WISE 2014 challenge multi-label classification task. The goal of the challenge was to implement a multi-label text classification model which maximizes the mean F1 score on a private test data. The described method involves a binary relevance scheme with linear classifiers trained using stochastic gradient descent. A novel method for determining the values of classifiers' meta-parameters was developed. In addition, our solution employs the semi-supervisedlearning which significantly improves the evaluation score. The presented solution won the third place in the challenge. The results are discussed and the supervised and semi-supervised approaches are compared.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Web Information Systems Engineering, WISE 2014, Workshops 15th International Workshops IWCSN 2014, Org2 2014, PCS 2014, and QUAT 2014 Thessaloniki, Greece, October 12 - 14, 2014 Revised Selected Papers

ISBN

978-3-319-20369-0

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

13

Strana od-do

1-13

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Thessaloniki,Greece

Datum konání akce

12. 10. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000363774800001