Semidefinite and Spectral Relaxations for Multi-Label Classification

Rémi Lajugie 1, 2 Piotr Bojanowski 3, 2 Sylvain Arlot 1, 2 Francis Bach 1, 2
1 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
3 WILLOW - Models of visual object recognition and scene understanding
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
Abstract : In this paper, we address the problem of multi-label classification. We consider linear classifiers and propose to learn a prior over the space of labels to directly leverage the performance of such methods. This prior takes the form of a quadratic function of the labels and permits to encode both attractive and repulsive relations between labels. We cast this problem as a structured prediction one aiming at optimizing either the accuracies of the predictors or the F 1-score. This leads to an optimization problem closely related to the max-cut problem, which naturally leads to semidefinite and spectral relaxations. We show on standard datasets how such a general prior can improve the performances of multi-label techniques.
Type de document :
Pré-publication, Document de travail
2015
Liste complète des métadonnées


https://hal.inria.fr/hal-01159321
Contributeur : Rémi Lajugie <>
Soumis le : mercredi 3 juin 2015 - 16:22:05
Dernière modification le : jeudi 29 septembre 2016 - 01:22:40
Document(s) archivé(s) le : mardi 15 septembre 2015 - 10:01:56

Fichiers

lajugie14semidefinite.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01159321, version 1
  • ARXIV : 1506.01829

Collections

Citation

Rémi Lajugie, Piotr Bojanowski, Sylvain Arlot, Francis Bach. Semidefinite and Spectral Relaxations for Multi-Label Classification. 2015. <hal-01159321>

Partager

Métriques

Consultations de
la notice

218

Téléchargements du document

56