融合多聚类中心的多标签学习

多标签学习处理每个样本同时关联多个标签的问题。现有大多数方法旨在通过利用标签相关性来提升多标签学习的性能。尽管数据增强技术在许多机器学习任务中被广泛使用，但其是否有助于多标签学习仍不明确。本文中，我们提出利用数据增强技术来提升多标签学习的性能。具体而言，我们首先提出一种新颖的数据增强方法，对真实样本进行聚类并将聚类中心视为虚拟样本，这些虚拟样本自然地体现了局部标签相关性与标签重要性。随后，受同一聚类中的样本应具有相同标签的聚类假设启发，我们提出一种新颖的正则化项来弥合真实样本与虚拟样本之间的差距，从而可促进学习函数的局部平滑性。在多个真实世界多标签数据集上的大量实验结果清楚地表明，我们所提出的方法优于最先进的对比方法。