LNEMLC：用于多标签分类的标签网络嵌入
机器学习
2019-01-03 v2 计算机视觉与模式识别
神经与进化计算
机器学习
摘要
多标签分类旨在对具有离散非互斥标签的实例进行分类。大多数多标签分类方法侧重于对现有二分类和多分类学习方法的有效适配或转换，但未能对标签的联合概率进行建模，或无法保持对未见标签组合的泛化能力。为解决这些问题，我们提出了一种新的多标签分类方案 LNEMLC——用于多标签分类的标签网络嵌入（Label Network Embedding for Multi-Label Classification），该方案对标签网络进行嵌入，并用于在任意基多标签分类器的学习与推断中扩展输入空间。该方法能够以较低的计算复杂度捕获标签的联合概率，提供与文献中报道的最佳方法相当的结果。我们展示了该方法相对于简单 kNN 基线分类器在统计上显著的改进。我们还提供了在不同数据域中均能令人满意地工作的鲁棒配置选择提示。
引用
@article{arxiv.1812.02956,
title = {LNEMLC: Label Network Embeddings for Multi-Label Classification},
author = {Piotr Szymański and Tomasz Kajdanowicz and Nitesh Chawla},
journal= {arXiv preprint arXiv:1812.02956},
year = {2019}
}
备注
submitted to TPAMI