Often a number of domains and appli

Often a number of domains and applications require multi-label algorithms to scale up with large
data such as delicious, EUROVOC (see section 8.2), and the problem space could be nearly unbounded if we consider the categorization of the web. Such large domains pose a few challenges
to the existing algorithms, especially because the label space is also likely to grow with the exponential growth of instance space. First, with a large label space, number of training examples labeled for a particular class will be significantly less compared to the total number of examples. Second, the computational cost of training a multi-label classifier is usually strongly affected by the number of labels. This is true for most of the existing algorithms except for a few such as binary relevance whose complexity is linear with respect to |L|, but usually criticized for label independence assumption. Finally, most of the methods need to maintain a large number of models in memory and, therefore, may fail to scale with large label space

Kết quả (Việt) 1:

Thường một số tên miền và các ứng dụng đòi hỏi nhiều nhãn thuật toán để vượt lên với lớndữ liệu chẳng hạn như ngon, EUROVOC (xem phần 8.2), và không gian vấn đề có thể được gần như chặn nếu chúng ta xem xét các loại của các trang web. Tên miền lớn như vậy gây ra một số thách thức để các thuật toán sẵn có, đặc biệt là bởi vì không gian nhãn là cũng có khả năng phát triển với sự tăng trưởng hàm mũ dung lượng thể hiện. Đầu tiên, với một không gian lớn nhãn, số lượng các ví dụ huấn luyện có nhãn cho một lớp học đặc biệt sẽ là đáng kể ít hơn so với tổng số ví dụ. Thứ hai, tính toán chi phí đào tạo một loại đa nhãn thường mạnh mẽ bị ảnh hưởng bởi số lượng các nhãn. Điều này đúng với hầu hết các thuật toán sẵn có ngoại trừ một số ít như nhị phân liên quan phức tạp mà là tuyến tính với quan đến | L|, nhưng thường chỉ trích cho nhãn độc lập giả định. Cuối cùng, hầu hết các phương pháp cần phải duy trì một số lớn các mô hình trong bộ nhớ và, do đó, có thể thất bại để quy mô với nhãn lớn không gian

Kết quả (Việt) 2:

Thường thì một số lĩnh vực và các ứng dụng đòi hỏi các thuật toán đa nhãn để mở rộng quy mô với lượng lớn
dữ liệu như ngon, EUROVOC (xem phần 8.2), và các vấn đề không gian có thể được gần như vô tận nếu chúng ta xem xét phân loại của web. Lĩnh vực lớn như vậy đặt ra một số thách thức
cho các thuật toán hiện có, đặc biệt là bởi vì không gian nhãn cũng có khả năng để phát triển cùng với sự tăng trưởng theo cấp số nhân của không gian dụ. Đầu tiên, với một không gian nhãn lớn, số ví dụ huấn luyện được dán nhãn cho một lớp học cụ thể sẽ được ít hơn đáng kể so với tổng số các ví dụ. Thứ hai, chi phí tính toán của đào tạo một phân lớp đa nhãn thường bị ảnh hưởng mạnh bởi số lượng của các nhãn. Điều này đúng với hầu hết các thuật toán hiện tại ngoại trừ một vài ví dụ như nhị phân thích hợp mà sự phức tạp là tuyến tính đối với | L |, nhưng thường chỉ trích cho nhãn độc lập giả định. Cuối cùng, hầu hết các phương pháp cần để duy trì một số lượng lớn các mô hình trong bộ nhớ và, do đó, có thể không quy mô với không gian nhãn lớn