面向多标签学习的代价敏感参考对编码
机器学习
2018-10-29 v3 机器学习
摘要
多标签分类（MLC）的标签空间扩展是一种在训练前将原始标签向量编码为更高维编码，并在测试时将预测编码解码回标签向量的方法。该方法已被证明，当与现成的纠错码结合用于编码和解码时，能提升 MLC 算法的性能。然而，这种编码方案实现起来可能较为复杂，且不易满足代价敏感 MLC 的一个常见应用需求——适应不同的目标评估准则。在本工作中，我们表明，一种基于参考标签向量对概念的更简单编码方案能更自然地实现代价敏感性。具体而言，我们提出的代价敏感参考对编码（CSRPE）算法包含基于聚类的编码、基于权重的训练和基于投票的解码步骤，所有步骤均利用了代价信息。此外，我们利用嵌入在 CSRPE 码空间中的代价信息，为代价敏感 MLC 提出了一种新颖的主动学习算法。大量实验结果表明，CSRPE 在不同的 MLC 准则下均优于当前最优算法。结果还表明，基于 CSRPE 的主动学习算法优于现有的主动 MLC 算法，进一步证明了 CSRPE 的实用性。
引用
@article{arxiv.1611.09461,
title = {Cost-Sensitive Reference Pair Encoding for Multi-Label Learning},
author = {Yao-Yuan Yang and Kuan-Hao Huang and Chih-Wei Chang and Hsuan-Tien Lin},
journal= {arXiv preprint arXiv:1611.09461},
year = {2018}
}
备注
Accepted in 22nd Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD), 2018