基于条件独立标签子集的多标签分类 F-measure 最大化

我们讨论一种改进精确 F-measure 最大化算法 GFM 的方法，该算法由 (Dembczynski et al. 2011) 提出用于多标签分类，假设给定输入特征时标签集可划分为条件独立子集。若所有标签独立，仅需估计 $m$ 个参数（$m$ 为标签数）便足以在 $O(m^2)$ 运算内导出贝叶斯最优预测。一般情况下，GFM 需要 $m^2+1$ 个参数，在 $O(m^3)$ 运算内解决问题。本工作中，我们表明若假设标签集可划分为 $n$ 个条件独立子集，参数数量可进一步降至 $m^2/n$（最佳情形）。由于此标签划分需事先从数据估计，我们首先使用 (Gasse et al. 2015) 提出的程序找到该划分，然后在每个标签子集局部推断所需参数。后者被聚合作为 GFM 的输入以形成贝叶斯最优预测。我们在合成实验中展示参数数量的减少带来性能的显著提升。