ECLARE: 極端な分類におけるラベルグラフ相関

深層極端分類（Deep Extreme Classification: XC）は、極めて大規模なラベル集合からデータポイントに関連する最も重要なラベルのサブセットをタグ付けするための深層構造の学習を目指しています。XCの核心的な利点は、訓練中にほとんど見られないラベルを予測することにあります。このような稀少ラベルは、ユーザーを驚かせ、喜ばせるパーソナライズされた推薦の鍵となります。しかし、大量の稀少ラベルと各稀少ラベルに対する少量の訓練データが統計的および計算上の大きな課題をもたらします。最先端の深層XC手法は、ラベルのテキスト記述を取り入れることでこの問題に対処しようと試みていますが、十分には解決していません。本論文では、ECLAREというスケーラブルな深層学習アーキテクチャを提案します。ECLAREは、ラベルテキストだけでなく、ラベル間の相関関係も取り入れることで、数ミリ秒以内に正確なリアルタイム予測を提供します。ECLAREの主要な貢献点には、節約的なアーキテクチャと数百万ものラベルを持つラベル相関グラフとともに深層モデルを効率的に訓練するスケーラブルな技術が含まれます。特に、ECLAREは公開されているベンチマークデータセットやBing検索エンジンから取得した関連商品推薦タスク用の独自データセットにおいて、2〜14%高い精度で予測を行います。ECLAREのコードはhttps://github.com/Extreme-classification/ECLARE で利用可能です。