增强与复用：提升深度森林标签分布学习的双机制方法
机器学习
2026-02-09 v1
摘要
标签分布学习（LDL）要求学习器预测每个样本与每个标签之间的关联程度。为此，利用标签间的相关性是关键任务。深度森林（Deep Forest, DF）是一种基于树集合的深度学习框架，其训练阶段不依赖反向传播。DF通过使用各层的预测实现模型内特征转换， 在许多任务上表现出竞争力。然而，其在LDL领域的探索仍处于初级阶段。现有不少将DF应用于LDL的方法缺乏有效利用标签间相关性的方法。因此，我们提出一种名为增强复用特征深度森林（Enhanced and Reused Feature Deep Forest, ERDF）的方法。它主要包含两种机制：特征增强利用标签相关性，以及度量感知特征复用。第一种方法利用标签间的相关性来增强原始特征，使样本能够获取用于LDL任务的更全面信息。第二种方法则对在验证集上表现不如前一层的样本特征进行复用，以确保训练过程的稳定性。这种增强-复用模式不仅使样本丰富其特征，还验证了新特征的有效性，并进行复用以防止噪声进一步传播。实验表明，我们的方法在六个评估指标上均优于其他对比算法。
引用
@article{arxiv.2602.06353,
title = {Enhance and Reuse: A Dual-Mechanism Approach to Boost Deep Forest for Label Distribution Learning},
author = {Jia-Le Xu and Shen-Huan Lyu and Yu-Nian Wang and Ning Chen and Zhihao Qu and Bin Tang and Baoliu Ye},
journal= {arXiv preprint arXiv:2602.06353},
year = {2026}
}