自编码器与函数链接人工神经网络融合的多标签分类方法
机器学习
2021-07-22 v1
摘要
多标签（ML）分类是当前活跃的研究课题，其处理因某一数据实例激活多个标签而产生的错综重叠的边界。我们提出一种能够提取底层特征并为数据引入非线性以处理复杂决策边界的分类器。我们开发了一种新颖的神经网络模型，其中输入特征经过源自多标签函数链接人工神经网络和自编码器的两种变换。首先，使用基函数对原始特征进行函数扩展。随后对扩展特征进行自编码器辅助的变换与降维。由于两层变换，该网络能够提升多标签数据的可分离性，同时将扩展特征空间缩减至更易处理的规模。这平衡了输入维度，从而即使在数据量有限时也能获得更好的分类性能。所提网络在五个 ML 数据集上进行了验证，显示出优于六种成熟 ML 分类器的性能。此外，我们还同时构建了所提网络的单标签变体，并在四个相关数据集上对比三种现有分类器进行测试以确立其有效性。
引用
@article{arxiv.2107.09904,
title = {Integration of Autoencoder and Functional Link Artificial Neural Network for Multi-label Classification},
author = {Anwesha Law and Ashish Ghosh},
journal= {arXiv preprint arXiv:2107.09904},
year = {2021}
}