多类分类相关 AI 资讯 · AI 热点

8月12日

18:01

18:01

官方账号arXiv cs.AI@Girma Yohannis Bade, Olga Kolesnikova, Jose Luis Oropeza, Grigori Sidorov

该研究针对社交媒体政治话语，设计并评估了基于XGBoost和BERT的两种多类情感分析模型。在标注的政治社交媒体帖子数据集上，XGBoost模型测试集F1分数为0.2835，BERT模型为0.2806。结果显示政治话语情感分类的复杂性，为未来多类政治情感分析提供基线。

论文 XGBoost BERT 情感分析

推荐理由：想了解政治文本情感分类的难度？这篇论文用XGBoost和BERT实测，F1都不到0.3，看看数据有多难搞。

7月22日

12:22

12:22

官方账号arXiv cs.LG@Ioannis Papageorgiou, Srinivas Nomula, Ayalvadi Ganesh, Sidharth Jaggi, Parimal Parag

该论文研究了如何组合O(log K)个简单二元分类器（超平面）来构建K类分类器。在K个类中心为独立高斯点、观测受高斯噪声污染的设定下，推导了不同解码和维度区间的显式性能界限。大量仿真实验验证了理论结果的有效性。

论文多类分类二元分类器超平面

推荐理由：这篇论文告诉你用少数几个二分类器拼多分类器到底能做到多好，有理论保证，做分布式分类的值得看看。

5月21日

12:29

12:29

官方账号arXiv cs.LG@Ilias Diakonikolas, Giannis Iakovidis, Mingchen Ma

精选

该研究解决了高斯分布下多类线性分类的鲁棒学习问题。对于k≥3类的情况，此前算法在精度上存在指数级依赖。研究者发现标准多类感知器算法在k≥3时所需样本和更新次数超多项式，揭示了二元分类与多类分类的根本差异。他们提出了一种成对非恰当学习框架，实现了误差O(k^{3/2}√opt)+ε的多项式时间算法。对于k=3，进一步开发了基于定位的框架，达到误差O(opt)+ε。这些结果首次为多类线性分类提供了维度无关的误差保证和高效算法。

论文多类分类鲁棒学习高斯分布

推荐理由：该研究解决了多类线性分类在k≥3时长期存在的计算瓶颈，做机器学习理论或分类算法开发的团队值得关注，其成对框架可直接用于改进实际多类分类器的鲁棒性。