基于解耦变分自编码器与协方差感知多元Probit模型的多标签分类
机器学习
2020-07-14 v1 机器学习
摘要
多标签分类是预测多个目标存在与否这一具有挑战性的任务，涉及表示学习与标签相关性建模。我们提出了一种用于多标签分类的新框架——多元Probit变分自编码器（Multivariate Probit Variational AutoEncoder, MPVAE），该框架有效地学习潜在嵌入空间以及标签相关性。MPVAE分别学习并对齐标签与特征的两个概率嵌入空间。MPVAE的解码器从嵌入空间中采样，并通过学习一个共享协方差矩阵，在多元Probit模型下对输出目标的联合分布进行建模。我们使用公开的真实世界数据集，在多种应用领域上表明MPVAE优于现有的最先进（state-of-the-art, SOTA）方法。进一步表明MPVAE在含噪设置下仍保持鲁棒性。最后，我们通过对一个鸟类观测数据集的案例研究，展示了所学协方差的可解释性。
引用
@article{arxiv.2007.06126,
title = {Disentangled Variational Autoencoder based Multi-Label Classification with Covariance-Aware Multivariate Probit Model},
author = {Junwen Bai and Shufeng Kong and Carla Gomes},
journal= {arXiv preprint arXiv:2007.06126},
year = {2020}
}