在标签分布学习中利用多标签相关性
机器学习
2023-08-04 v1
摘要
标签分布学习（LDL）是一种新颖的机器学习范式，为每个实例分配标签分布。许多 LDL 方法在学习过程中利用标签相关性以解决指数级大小的输出空间；其中许多通过挖掘标签分布的低秩结构来捕获标签相关性。然而，近期研究揭示标签分布矩阵通常为满秩，这对那些利用低秩标签相关性的工作提出了挑战。注意到多标签通常是低秩的；低秩标签相关性在多标签学习（MLL）文献中被广泛采用。受此启发，我们在 LDL 中引入一个辅助的 MLL 过程，并在该 MLL 而非 LDL 上捕获低秩标签相关性。如此一来，低秩标签相关性在我们的 LDL 方法中得到了恰当利用。我们进行了全面的实验，证明我们的方法优于现有 LDL 方法。此外，消融研究证实了在辅助 MLL 中利用低秩标签相关性的优势。
引用
@article{arxiv.2308.01742,
title = {Exploiting Multi-Label Correlation in Label Distribution Learning},
author = {Zhiqiang Kou jing wang yuheng jia xin geng},
journal= {arXiv preprint arXiv:2308.01742},
year = {2023}
}