多标签分类的自动化机器学习
内容提要
该文综述多标签学习与自动化机器学习进展，提出无需调参且利用标签关联的CascadeML级联神经网络，介绍可扩展标签分布学习以降低计算消耗，梳理深度学习多标签方法及AutoML在数据准备、超参数优化、神经架构搜索等方面的成果，并探讨标签不平衡的影响与改进策略。
延伸解读
多标签分类的挑战与自动化需求
多标签分类中，每个样本可同时属于多个类别，且标签间常存在关联，这增加了建模复杂度。传统方法需大量超参数调优，而自动化机器学习（AutoML）旨在减少人工干预。文章综述了多标签学习与AutoML的进展，指出结合两者可提升效率，例如CascadeML通过级联神经网络自动利用标签关联，无需繁琐调参。
标签关联建模与计算效率的平衡
多标签分类的关键挑战之一是有效利用标签间的关联，同时控制计算消耗。文章提到Scalable Label Distribution Learning（SLDL）将标签描述为潜在空间中的分布，其计算消耗与标签数量无关，适合大规模标签场景。而CascadeML则通过级联结构捕捉标签关联，在保持性能的同时最小化超参数调整，为实际应用提供了高效方案。
AutoML在数据准备与架构搜索中的进展
AutoML涵盖数据准备、特征工程、超参数优化和神经架构搜索等环节。文章综述了2019年至2024年的多项研究，包括提出通用参考框架、评估多种AutoML工具、以及基于LLM的AutoMMLab系统，后者通过语言界面自动化计算机视觉任务全流程。这些进展表明AutoML正朝着更通用、更易用的方向发展，但仍有未解决问题待探索。
标签不平衡对AutoML的影响与应对
标签不平衡是多标签分类中的常见问题，可能影响AutoML系统的性能。文章介绍了一种新基准，用于研究不同AutoML方法受标签不平衡的影响，并提出了改进策略整合到现有框架中。系统研究表明，这些策略显著增强了AutoML系统对标签不平衡的鲁棒性，为实际部署提供了重要参考。
Q&A
CascadeML是什么？它有什么特点？
CascadeML是一种基于级联神经网络的多标签分类算法，无需或最小化超参数调整，并考虑标签之间的关联，同时能获得很好的性能。
Scalable Label Distribution Learning (SLDL) 如何降低多标签分类的计算消耗？
SLDL将不同标签描述为潜在空间中的分布，具有非对称相关性，且独立于标签数量，因此计算消耗很小。
自动化机器学习（AutoML）主要涵盖哪些方面？
AutoML涵盖数据准备、特征工程、超参数优化和神经架构搜索等方面。
AutoMMLab是什么？它有什么作用？
AutoMMLab是一个通用的、基于LLM驱动的AutoML系统，通过用户友好的语言界面自动化计算机视觉任务的整个模型生产流程，并利用LLM连接AutoML和OpenMMLab社区，使非专家也能轻松构建特定任务的模型。
标签不平衡对AutoML有什么影响？有哪些改进策略？
文章提出了一种新的基准来研究不同AutoML方法如何受标签不平衡影响，并提出了更好地处理不平衡的策略，将它们整合到现有AutoML框架中。系统研究发现，这些策略的加入显著增强了AutoML系统对标签不平衡的鲁棒性。
深度学习在多标签学习中有哪些最新进展？
文章综述了深度学习在多标签学习中的最新进展，包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构，并提出了对现有方法的比较分析。
