基于二值哈希学习与动态图约束的多标签特征选择
机器学习
2026-04-21 v1
摘要
多标签学习在从标签空间中提取可靠的监督信号方面面临重大挑战。现有方法通常采用连续伪标签来替代二进制标签，以改善监督信息表示。然而，这些方法可能引入无关标签的噪声，并导致不可靠的图结构。为克服这些限制，本研究提出了一种新颖的多标签特征选择方法——二值哈希与动态图约束（BHDG），该方法首次将二值哈希引入多标签学习。BHDG利用低维二值哈希码作为伪标签，以减少噪声并提高表示鲁棒性。基于这些二值伪标签的图结构，构建了动态约束的样本投影空间，增强了动态图的可靠性。为进一步提升伪标签质量，BHDG在样本空间中引入了标签图约束与内积最小化。此外，目标函数中添加了 -范数正则化项以促进特征选择过程。采用增广拉格朗日乘子法（ALM）有效优化二值变量。在10个基准数据集上的全面实验表明，BHDG在六项评估指标上超越了十种最先进方法。BHDG取得了最高的总体性能排名，在每项指标上平均领先次优方法至少2.7个排名，凸显了其在多标签特征选择中的有效性与鲁棒性。
引用
@article{arxiv.2503.13874,
title = {Multi-label feature selection based on binary hashing learning and dynamic graph constraints},
author = {Cong Guo and Changqin Huang and Wenhua Zhou and Xiaodi Huang},
journal= {arXiv preprint arXiv:2503.13874},
year = {2026}
}
备注
21 pages,19 figures