RAPT: Retrieval-Augmented Post-hoc Thresholding for Multi-Label Classification

작성자

Haebom

카테고리

Empty

저자

Lasal Jayawardena, Nirmalie Wiratunga, Ikechukwu Nkisi-Orji, Darren Nicol

💡 개요

본 논문은 다중 레이블 분류 문제에서 레이블 선택의 정확성을 높이기 위해 기존 분류기의 결과에 후처리(post-hoc) 방식으로 적용되는 RAPT(Retrieval-Augmented Post-hoc Thresholding) 방법을 제안합니다. RAPT는 문서 표현과 레이블별 신뢰 점수를 활용하여 유사한 과거 사례를 검색하고, 이를 바탕으로 동적으로 레이블 선택 기준을 조정합니다. 이를 통해 기존의 고정된 임계값 방식의 단점을 극복하고, 모델 재학습 없이도 성능을 향상시킬 수 있습니다.

🔑 시사점 및 한계

•

RAPT는 기존 다중 레이블 분류 모델의 재학습 없이도 성능을 향상시킬 수 있는 효율적인 후처리 기법입니다.

•

다양한 종류의 분류기(metric learners, transformers)와 함께 사용될 수 있는 모델 불가지론적인(model-agnostic) 특성을 가집니다.

•

산업 현장의 복잡한 데이터 특성(OCR 오류, 레이블 불균형, 가변적인 레이블 수 등)에 강건한 레이블 선택을 제공하여 정보 추출의 정확성을 높이고 검증 노력을 줄일 수 있습니다.

•

RAPT의 성능은 검색 대상이 되는 과거 사례(cases)의 품질과 양에 영향을 받을 수 있으며, 검색 및 지역적 집계 과정의 효율성 또한 중요합니다.

PDF 보기

Made with Slashpage