ML-KFHE：利用卡尔曼滤波器传感器融合特性的多标签集成分类算法
机器学习
2023-11-21 v4 人工智能
机器学习
摘要
尽管集成分类方法在多类分类问题中取得了成功，但基于装袋（bagging）以外方法的集成方法在多标签分类问题中尚未得到广泛探索。基于卡尔曼滤波器的启发式集成（KFHE）是一种利用卡尔曼滤波器的传感器融合特性来组合多个分类器模型的集成方法，并已被证明非常有效。本文提出了KFHE的多标签版本ML-KFHE，展示了KFHE方法在多标签数据集上的有效性。基于底层组件分类器算法引入了两种变体：ML-KFHE-HOMER和ML-KFHE-CC，它们分别使用HOMER和分类器链（CC）作为底层多标签算法。ML-KFHE-HOMER和ML-KFHE-CC依次训练多个HOMER和CC多标签分类器，并利用卡尔曼滤波器的传感器融合特性聚合它们的输出。在十三个多标签数据集和八个其他算法（包括最先进的集成方法）上进行了大量实验和详细分析。结果表明，两个版本的ML-KFHE框架相对于HOMER的装袋组合（称为E-HOMER，本文亦提出）和CC的装袋组合Ensemble Classifier Chains（ECC）都显著提升了预测性能，从而证明了ML-KFHE的有效性。此外，发现ML-KFHE-HOMER变体表现稳定且显著优于所比较的多标签方法，包括现有的基于集成的方法。
引用
@article{arxiv.1904.10552,
title = {ML-KFHE: Multi-label ensemble classification algorithm exploiting sensor fusion properties of the Kalman filter},
author = {Arjun Pakrashi and Brian Mac Namee},
journal= {arXiv preprint arXiv:1904.10552},
year = {2023}
}