学习用于多标签分类的深度潜在空间
机器学习
2017-07-04 v1
摘要
多标签分类是机器学习相关领域中一项实用但具有挑战性的任务，因为它需要为每个输入实例预测多个标签类别。我们提出了一种基于深度神经网络（DNN）的新模型——典型相关自编码器（Canonical Correlated AutoEncoder, C2AE），以解决此任务。为了更好地关联特征域和标签域数据以改进分类，我们独特地通过推导深度潜在空间执行联合特征和标签嵌入，随后引入对标签相关性敏感的损失函数以恢复预测的标签输出。我们的 C2AE 通过整合典型相关分析和自编码器的 DNN 架构来实现，这使得端到端的学习和预测成为可能，并具备利用标签依赖性的能力。此外，我们的 C2AE 可以轻松扩展以解决标签缺失的学习问题。我们在多个不同规模数据集上的实验证实了所提方法的有效性和鲁棒性，结果显示其在多标签分类任务中表现优于最先进的方法。
引用
@article{arxiv.1707.00418,
title = {Learning Deep Latent Spaces for Multi-Label Classification},
author = {Chih-Kuan Yeh and Wei-Chieh Wu and Wei-Jen Ko and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:1707.00418},
year = {2017}
}
备注
published in AAAI-2017