多标签特征选择的隐式正则化

在本文中，我们通过使用一种基于隐式正则化和标签嵌入的新估计器，来解决多标签学习背景下的特征选择问题。与使用带有显式正则化项（如$l_{2,1}$-范数、MCP或SCAD）的惩罚估计器的稀疏特征选择方法不同，我们提出了一种通过Hadamard积参数化的简单替代方法。为了指导特征选择过程，我们采用了一种多标签信息的潜在语义方法作为标签嵌入。在一些已知基准数据集上的实验结果表明，所提出的估计器受到的额外偏差影响要小得多，并且可能导致良性过拟合。