面向多标签学习的深度学习：一项综合综述
机器学习
2024-06-27 v3 计算机视觉与模式识别
摘要
多标签学习是一个快速发展的研究领域，旨在从单个输入数据点预测多个标签。在大数据时代，涉及多标签分类（MLC）或排序的任务呈现出重大且复杂的挑战，在多个领域引起了广泛关注。MLC 的固有困难包括处理高维数据、处理标签相关性以及处理部分标签，而传统方法对此证明无效。近年来，采用深度学习（DL）技术来更有效地应对 MLC 中的这些挑战的趋势显著增加。值得注意的是，人们正在努力利用 DL 强大的学习能力来改进 MLC 中标签依赖关系和其他挑战的建模。然而，值得注意的是，专门针对多标签学习的 DL 的综合性研究有限。因此，本综述旨在全面回顾 DL 在多标签学习方面的最新进展，并总结 MLC 中的开放研究问题。本综述整合了 DL 在 MLC 中的现有研究工作，包括深度神经网络、Transformer、自编码器以及卷积和循环架构。最后，本研究对现有方法进行了比较分析，以提供深刻的观察，并激发该领域未来的研究方向。
引用
@article{arxiv.2401.16549,
title = {Deep Learning for Multi-Label Learning: A Comprehensive Survey},
author = {Adane Nega Tarekegn and Mohib Ullah and Faouzi Alaya Cheikh},
journal= {arXiv preprint arXiv:2401.16549},
year = {2024}
}
备注
20 pages, 5 tables