Core Concepts
GCNの代わりに非GCNアーキテクチャを使用して、グラフデータをエンコーダトレーニングに正則化することが効果的であることを示す。
Abstract
この記事は、極端な分類(XC)におけるグラフ正則化エンコーダトレーニングに焦点を当てています。XCは非常に大きなラベルスペースでのマルチラベル学習を指し、データポイントを最も関連性の高いサブセットのラベルで注釈付けする必要があります。GCNの代わりに非GCNアーキテクチャを使用して、グラフデータをエンコーダトレーニングに正則化することが効果的であることが示されました。RAMENメソッドは、1Mのラベルまでスケールし、他の方法よりも15%高い予測精度を提供します。また、公開されたプロプライエタリな推奨データセットでも10%以上の精度向上が見られました。
Stats
RAMENは1Mのラベルまでスケール可能
RAMENは他の方法よりも15%高い予測精度を提供
Quotes
"RAMENはGCNの代わりに非GCNアーキテクチャを使用して、グラフデータをエンコーダトレーニングに正則化することが効果的であることが示されました。"
"RAMENは1Mのラベルまでスケールし、15%以上の予測精度向上を実現します。"