In multimedia annotation, due to th

In multimedia annotation, due to the time constraints and the tediousness of manual tagging, it is quite common to utilize both tagged and untagged data to improve the performance of supervised learning when only limited tagged training data are available. This is often done by adding a geometrically based regularization term in the objective function of a supervised learning model. In this case, a similarity graph is indispensable to exploit the geometrical relationships among the training data points, and the graph construction scheme essentially determines the performance of these graph-based learning algorithms. However, most of the existing works construct the graph empirically and are usually based on a single feature without using the label information. In this paper, we propose a semi-supervised annotation approach by learning an optimal graph (OGL) from multi-cues (i.e., partial tags and multiple features) which can more accurately embed the relationships among the data points. We further extend our model to address out-of-sample and noisy label issues. Extensive experiments on four public datasets show the consistent superiority of OGL over state-of-the-art methods by up to 12% in terms of mean average precision

ผลลัพธ์ (ไทย) 1:

ในคำอธิบายประกอบมัลติมีเดีย เนื่องจากข้อจำกัดของเวลาและ tediousness ติดแท็กด้วยตนเอง มันเป็นปกติจะใช้ทั้งแท็ก และ untagged ข้อมูลเพื่อปรับปรุงประสิทธิภาพของการเรียนรู้ดูแลเมื่อข้อมูลฝึกอบรมแท็กที่จำกัดเท่านั้น นี้มักจะทำ โดยการเพิ่มคำเชื่อมตาม regularization ในฟังก์ชันวัตถุประสงค์ของรูปแบบการเรียนรู้ดูแล ในกรณีนี้ กราฟคล้ายจะขาดไม่ได้ทำลายความสัมพันธ์ทางเรขาคณิตระหว่างจุดข้อมูลฝึกอบรม และแบบก่อสร้างกราฟกำหนดประสิทธิภาพการทำงานของอัลกอริทึมการเรียนรู้กราฟเหล่านี้เป็นหลัก อย่างไรก็ตาม ส่วนใหญ่ของการทำงานที่มีอยู่สร้างกราฟเชิงประสบการณ์ และมักจะใช้คุณลักษณะเดียวโดยไม่ต้องใช้ป้ายชื่อข้อมูล ในกระดาษนี้ เราเสนอวิธีการอธิบายกึ่งดูแลเรียนรู้กราฟเหมาะสมที่สุด (OGL) จากหลายสัญลักษณ์ (เช่น แท็กบางส่วนและหลาย) ซึ่งความสามารถฝังความสัมพันธ์ระหว่างจุดข้อมูล เราเพิ่มเติมขยายรูปแบบของเราที่อยู่ออกของอย่างและเรื่องป้ายชื่อเสียง การทดลองอย่างละเอียดบนชุดข้อมูลสาธารณะที่สี่แสดงที่เหนือกว่าความสอดคล้องของ OGL กว่าวิธีการของศิลปะได้ถึง 12% ในแง่ของความแม่นยำเฉลี่ยหมายถึง

ผลลัพธ์ (ไทย) 2:

ในคำอธิบายประกอบมัลติมีเดียเนื่องจากข้อ จำกัด ด้านเวลาและความน่าเบื่อของการติดแท็กด้วยตนเองมันเป็นเรื่องธรรมดามากทีเดียวที่จะใช้ประโยชน์จากข้อมูลทั้งที่ติดแท็กและติดแท็กเพื่อปรับปรุงประสิทธิภาพของการเรียนรู้ภายใต้การดูแลเมื่อ จำกัด เฉพาะที่ติดแท็กข้อมูลการฝึกอบรมที่มีอยู่ นี้มักจะทำโดยการเพิ่มระยะ regularization ตามเรขาคณิตในฟังก์ชันวัตถุประสงค์ของรูปแบบการเรียนรู้ภายใต้การดูแล ในกรณีนี้กราฟความคล้ายคลึงกันที่ขาดไม่ได้คือการใช้ประโยชน์จากความสัมพันธ์ในหมู่เรขาคณิตจุดข้อมูลการฝึกอบรมและโครงการก่อสร้างกราฟหลักกำหนดประสิทธิภาพการทำงานของเหล่ากราฟตามขั้นตอนวิธีการเรียนรู้ แต่ส่วนใหญ่ของการทำงานที่มีอยู่สร้างกราฟสังเกตุและมักจะขึ้นอยู่กับคุณลักษณะเดียวโดยไม่ต้องใช้ข้อมูลฉลาก ในบทความนี้เรานำเสนอวิธีการบันทึกย่อกึ่งภายใต้การดูแลโดยการเรียนรู้กราฟที่ดีที่สุด (OGL) จากหลายตัวชี้นำ (เช่นแท็กบางส่วนและคุณสมบัติหลาย) ที่ถูกต้องมากขึ้นสามารถฝังความสัมพันธ์ระหว่างจุดข้อมูล เราขยายรูปแบบของเราไปยังที่อยู่ออกจากตัวอย่างและปัญหาฉลากที่มีเสียงดัง การทดลองอย่างกว้างขวางในสี่ชุดข้อมูลที่ประชาชนแสดงความเหนือกว่าที่สอดคล้องกันของ OGL กว่าวิธีการรัฐของศิลปะได้ถึง 12% ในแง่ของค่าเฉลี่ยความแม่นยำเฉลี่ย