Performance Improvement in Multi-class Classification via Automated Hierarchy Generation and Exploitation through Extended LCPN Schemes

要約

階層分類 (HC) は、オブジェクトが階層構造に編成されるマルチクラス分類タスクにおいて極めて重要な役割を果たします。
この調査では、階層の生成と階層の活用の両方を含む包括的な分析を通じて HC のパフォーマンスを調査しています。
この分析は、事前定義された階層構造に容易にアクセスできないシナリオに特に関連します。
特に、LCPN の機能を拡張し、グローバル分類とローカル分類の長所を組み合わせた 2 つの新しい階層活用スキーム、LCPN+ と LCPN+F が導入され、既存の方法と並行して評価されました。
この結果は、LCPN+F が一貫して優れており、さまざまなデータセットやシナリオにわたって他のスキームよりも優れていることを明らかにしています。
さらに、LCPN+ および LCPN+F はフラット分類 (FC) に匹敵するランタイム パフォーマンスを維持するため、この研究では有効性だけでなく効率性も重視されています。
さらに、この研究は、分類パフォーマンスを最大化するために適切な階層活用スキームを選択することの重要性を強調しています。
この研究により、HC についての理解が広がり、将来の研究のベンチマークが確立され、マルチクラス分類方法論の進歩が促進されます。

要約(オリジナル)

Hierarchical classification (HC) plays a pivotal role in multi-class classification tasks, where objects are organized into a hierarchical structure. This study explores the performance of HC through a comprehensive analysis that encompasses both hierarchy generation and hierarchy exploitation. This analysis is particularly relevant in scenarios where a predefined hierarchy structure is not readily accessible. Notably, two novel hierarchy exploitation schemes, LCPN+ and LCPN+F, which extend the capabilities of LCPN and combine the strengths of global and local classification, have been introduced and evaluated alongside existing methods. The findings reveal the consistent superiority of LCPN+F, which outperforms other schemes across various datasets and scenarios. Moreover, this research emphasizes not only effectiveness but also efficiency, as LCPN+ and LCPN+F maintain runtime performance comparable to Flat Classification (FC). Additionally, this study underscores the importance of selecting the right hierarchy exploitation scheme to maximize classification performance. This work extends our understanding of HC and establishes a benchmark for future research, fostering advancements in multi-class classification methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google