@techreport{oai:ipsj.ixsq.nii.ac.jp:00214093,
 author = {安田, 有希 and 石渡, 大智 and 宮﨑, 太郎 and 後藤, 淳 and Yuki, Yasuda and Taichi, Ishiwatari and Taro, Miyazaki and Jun, Goto},
 issue = {30},
 month = {Nov},
 note = {マルチラベル分類のなかでも，ラベルの出現頻度が不均衡な分布であるデータセットを用いた学習は重要な課題の一つである．そのような不均衡データセットを用いた学習では，低頻度ラベルに対応する入力サンプルが少ないことから，モデルの低頻度ラベルに対する精度が低下してしまう．そこで，本研究では各ラベルの共起 情報をラベル平滑化手法に取り込み，低頻度ラベルであっても関連した入力サンプルで学習を可能とする手法を提 案する．, Imbalanced learning is one of the big issues in multi-label classification task. Training models using such imbalanced distribution of labels can cause overfitting to low-frequency labels because of lack of samples related to such labels. To tackle this issue, we propose a novel method for creating a soft target that represents the strength of label relationships, which is inspired by widely-used approaches, considering label co-occurrences and label smoothing. The result of the experiment shows that proposed method outperforms each baseline method, especially in terms of low-frequency labels.},
 title = {マルチラベル分類における共起情報を用いたラベル平滑化手法},
 year = {2021}
}