演化多标签模糊分类器

多标签分类因解决将单个样本同时指派给多个类别的问题，已在机器学习界引起广泛关注。我们提出一种演化多标签模糊分类器（EFC-ML），能够以增量、单遍方式随新到达的多标签样本自适应并自演化其结构。它基于多输出 Takagi-Sugeno 型架构，其中为每个类别定义独立的结果超平面。学习过程嵌入了局部加权基于增量的相关性算法，结合（常规）递归模糊加权最小二乘与基于 Lasso 的正则化。基于相关性的部分确保了类标签间相互关联（多标签分类中已知的特定性质，可提升性能）被恰当保留；基于 Lasso 的正则化在输入较多时缓解了维数灾难效应。前件学习通过乘积空间聚类实现，并对所有类标签统一进行，从而产生单一规则库，允许紧凑的知识视图。此外，我们的方法附带在线主动学习（AL）策略，仅对选定样本更新分类器，进而使该方法适用于标注代价通常昂贵的稀缺标注流应用。我们的方法在 MULAN 仓库的若干数据集上评估，相较（演化）一对多或分类器链概念显示出显著改进的分类精度。一个显著结果是，由于在线 AL 方法，在大多数数据集情形下，用于分类器更新的样本数减少 90% 对累积精度趋势线相较全量更新影响甚微。