利用高秩与高阶标签相关性的多标签分类
机器学习
2023-11-07 v2
摘要
利用标签相关性对多标签分类十分重要。以往方法主要通过低秩矩阵分解将标签矩阵变换到潜在标签空间来捕获高阶标签相关性。然而，标签矩阵通常是满秩或近似满秩矩阵，使得低秩分解并不合适。此外，在潜在空间中，标签相关性会变得隐式。为此，我们提出了一种简单而有效的方法，显式刻画高阶标签相关性，同时保持标签矩阵的高秩。而且，我们通过输入的局部几何结构同时估计标签相关性和推断模型参数，以实现相互增强。在十二个基准数据集上的对比研究验证了所提算法在多标签分类中的有效性。所挖掘的高阶标签相关性在经验上与常识一致。我们的代码已公开于 https://github.com/Chongjie-Si/HOMI。
引用
@article{arxiv.2207.04197,
title = {Multi-label Classification with High-rank and High-order Label Correlations},
author = {Chongjie Si and Yuheng Jia and Ran Wang and Min-Ling Zhang and Yanghe Feng and Chongxiao Qu},
journal= {arXiv preprint arXiv:2207.04197},
year = {2023}
}
备注
2023, TKDE