面向多标签分类的高维数据联合渐进学习
机器学习
2018-08-16 v1 机器学习
摘要
尽管非线性子空间学习技术（如流形学习）已成功应用于数据表示，但在可解释性（显式映射）、泛化性（样本外）和成本效益（线性化）方面仍有改进空间。为此，以一种联合且渐进的方式开发了一种新颖的线性化子空间学习技术，称为联合渐进学习策略（J-Play），并应用于多标签分类。J-Play 通过以下方式从高维数据中学习高层且语义有意义的特征表示：1）联合执行多个子空间学习与分类，以寻找样本预期能被更好分类的潜在子空间；2）渐进学习多耦合投影，线性逼近桥接原始空间与最具判别性子空间的最优映射；3）在每个可学习的潜在子空间中局部嵌入流形结构。进行了大量实验，以证明所提方法相较于先前最先进方法的优越性与有效性。
引用
@article{arxiv.1808.05110,
title = {Joint & Progressive Learning from High-Dimensional Data for Multi-Label Classification},
author = {Danfeng Hong and Naoto Yokoya and Jian Xu and Xiaoxiang Zhu},
journal= {arXiv preprint arXiv:1808.05110},
year = {2018}
}
备注
accepted in ECCV 2018