Gemeinsames Lernen hyperbolischer Label-Embeddings für hierarchische Multi-Label-Klassifikation

Wir betrachten das Problem der mehrfach-label-Klassifikation, bei der die Labels einer Hierarchie unterliegen. Im Gegensatz zu den meisten bestehenden Ansätzen in der hierarchischen mehrfach-label-Klassifikation gehen wir nicht davon aus, dass die Label-Hierarchie bekannt ist. Angeregt durch den jüngsten Erfolg hyperbolischer Einbettungen bei der Erfassung hierarchischer Beziehungen schlagen wir vor, die Klassifikatorparameter gemeinsam mit den Label-Einbettungen zu lernen. Eine solche gemeinsame Lernstrategie verspricht zwei Vorteile: i) Der Klassifikator generalisiert besser, da er die vorherige Kenntnis über die Existenz einer Hierarchie über den Labels nutzt, und ii) Neben der Information über die gleichzeitige Auftretenshäufigkeit von Labels kann die Label-Einbettung zusätzlich von der Mannigfaltigkeitsstruktur der Eingabedatenpunkte profitieren, was zu Einbettungen führt, die der Label-Hierarchie treuer entsprechen. Wir stellen eine neuartige Formulierung für das gemeinsame Lernen vor und evaluieren ihre Wirksamkeit empirisch. Die Ergebnisse zeigen, dass das gemeinsame Lernen gegenüber der Baseline, die auf vortrainierten hyperbolischen Einbettungen basiert, die auf Label-Ko-Occurrenz beruhen, eine Verbesserung erzielt. Zudem erreichen die vorgeschlagenen Klassifikatoren state-of-the-art-Generalisierungsergebnisse auf Standardbenchmarks. Wir präsentieren zudem eine Evaluation der durch gemeinsames Lernen gewonnenen hyperbolischen Einbettungen und zeigen, dass diese die Hierarchiestruktur genauer repräsentieren als alternative Ansätze.