ECLARE: 라벨 그래프 상관관계를 활용한 극단적 분류

깊은 극단 분류(Deep Extreme Classification, XC)는 매우 큰 라벨 집합에서 데이터 포인트에 가장 관련성이 높은 라벨의 부분 집합을 태깅하기 위한 깊은 구조를 학습하는 것을 목표로 합니다. XC의 핵심 유틸리티는 훈련 중 거의 보지 못한 라벨을 예측하는 데 있습니다. 이러한 드문 라벨은 사용자를 기쁘게 하고 놀라게 할 수 있는 개인화된 추천의 열쇠가 됩니다. 그러나, 많은 수의 드문 라벨과 각각의 드문 라벨에 대한 적은 양의 훈련 데이터는 상당한 통계적 및 계산적 도전을 제공합니다. 최신 XC 방법들은 이 문제를 해결하기 위해 라벨의 텍스트 설명을 통합하려고 시도하지만, 충분히 해결하지 못하고 있습니다.본 논문에서는 ECLARE를 제시합니다. ECLARE는 단순히 라벨 텍스트뿐만 아니라 라벨 간의 상관관계도 통합하여 몇 밀리초 안에 정확한 실시간 예측을 제공하는 확장 가능한 딥러닝 아키텍처입니다. ECLARE의 주요 기여점은 수백만 개의 라벨 규모에서 깊은 모델과 함께 라벨 상관관계 그래프를 학습할 수 있는 절약적인 아키텍처와 확장 가능한 기술을 포함하고 있다는 것입니다. 특히, ECLARE는 공개된 벤치마크 데이터셋뿐만 아니라 Bing 검색 엔진에서 유래된 관련 제품 추천 작업을 위한 소유권 데이터셋에서도 2~14% 더 정확한 예측을 제공합니다. ECLARE 코드는 https://github.com/Extreme-classification/ECLARE에서 이용 가능합니다.