In [61] Zhang et. al. present Bayes

In [61] Zhang et. al. present Bayesian Online Multi-label (BOMC) classification framework that
uses a probabilistic linear discriminant w c for each class c where {w c } c∈C are independent diagonal Gaussians, whose mean and variance are estimated from the training data. The key model here is
the likelihood P that is modeled using a factor graph. Also the posterior P can be estimated by marginalizing over different nodes (inner product nodes, noise additive nodes
and the difference nodes) in the factor graph (for details see [61]). At each iteration, it takes one
additional instance (x i , y i ) and using a Gaussian prior P 0 (w), computes the posterior:

Kết quả (Việt) 1:

Trong [61] trương et. và những người khác hiện nay nhiều nhãn trực tuyến Bayes (BOMC) phân loại khuôn khổ màsử dụng một biệt thức tuyến tính xác suất w c cho mỗi lớp c {w c} c∈C đâu độc lập đường chéo Gaussians, mà có nghĩa là và phương sai được ước tính từ dữ liệu đào tạo. Các mô hình quan trọng ở đây làkhả năng P Mô hình bằng cách sử dụng một đồ thị yếu tố. Cũng P sau có thể được ước tính bởi marginalizing trên các nút khác nhau (các nút bên trong sản phẩm, tiếng ồn phụ gia nútvà các nút khác biệt) trong đồ thị yếu tố (đối với thông tin chi tiết xem [61]). Tại mỗi lặp đi lặp lại, phải mất mộttrường hợp bổ sung (x tôi, y tôi) và bằng cách sử dụng một Gaussian trước P 0 (w), tính sau:

Kết quả (Việt) 2:

Trong [61] Zhang et. al. Hiện Bayesian trực tuyến đa nhãn (BOMC) khung phân loại mà
sử dụng một xác suất tuyến tính discriminant wc cho mỗi lớp học c nơi {} wc c∈C là Gaussian chéo độc lập, mà trung bình và phương sai được ước tính từ dữ liệu huấn luyện. Các mô hình quan trọng ở đây là
P khả năng được mô hình hóa bằng cách sử dụng một đồ thị nhân tố. Cũng hậu P có thể được ước tính bằng cách marginalizing qua các nút khác nhau (các nút bên trong sản phẩm, các nút phụ tiếng ồn
và các nút khác biệt) trong đồ thị nhân tố (chi tiết xem [61]). Tại mỗi lần lặp, nó cần một
ví dụ bổ sung (xi, yi) và sử dụng một P trước Gaussian 0 (w), tính toán sau: