用于多标签分类的深度学习
机器学习
2015-02-23 v1 人工智能
摘要
在多标签分类中，主要焦点一直是发展学习标签间潜在依赖关系的方法，并在分类时利用这种关系。开发更好的特征空间表示主要被用于降低复杂度，例如通过在训练前（或训练中）从输入空间消除无益的特征属性。这是一项重要任务，因为许多多标签方法在转换同一输入数据时常创建许多不同的副本或视图，利用冗余可节省大量内存。在本文中，我们展示了特征空间的恰当开发能够使标签间依赖性降低，并在推理时更易于建模和预测。为此任务，我们采用了基于受限玻尔兹曼机的深度学习方法。我们提出了一种深度网络，在实证评估中优于文献中的若干竞争方法。
引用
@article{arxiv.1502.05988,
title = {Deep Learning for Multi-label Classification},
author = {Jesse Read and Fernando Perez-Cruz},
journal= {arXiv preprint arXiv:1502.05988},
year = {2015}
}