从距离到方向：面向标签分布学习的结构感知标签特定特征融合
机器学习
2025-12-04 v2 人工智能
机器学习
摘要
标签分布学习（LDL）是一种旨在捕获每个实例标签相对重要性的学习范式。基于LIFT构建的标签特定特征（LSF）已证明对利用每个标签的基于聚类的原型来重新表征具有标签歧义的任务具有有效作用。然而，直接将LIFT引入LDL任务可能并非最佳，因为LIFT收集的原型主要反映类内关系，而忽略了类间相互作用。此外，仅依赖欧几里得距离构建LSF相较于利用多视角信息提供更稳健和全面的实例表征，从而缓解可能由单一距离视角引起的噪声和偏差。为解决这些限制，我们引入结构锚点（SAPs）来捕捉类间相互作用。这导致一种新的LSF构建策略LIFT-SAP，通过整合每个实例相对于SAPs的距离和方向信息来增强LIFT。此外，我们提出一种新的LDL算法，即基于标签特定特征的标签分布学习（LDL-LIFT-SAP），该算法将来自不同LSF空间预测的多个标签描述程度统一到 cohesive 标签分布中。在15个真实世界数据集上的大量实验表明，LIFT-SAP优于LIFT，而LDL-LIFT-SAP也优于其他七个众 established algorithms。
引用
@article{arxiv.2504.19374,
title = {From Distance to Direction: Structure-aware Label-specific Feature Fusion for Label Distribution Learning},
author = {Suping Xu and Chuyi Dai and Lin Shang and Changbin Shao and Xibei Yang and Witold Pedrycz},
journal= {arXiv preprint arXiv:2504.19374},
year = {2025}
}