面向动态模型类型推荐的多标签学习

动态选择技术旨在围绕每个测试样本选取局部专家，以专门执行其分类。尽管在局部范围内生成分类器可能更易甄别出局部胜任者，如在在线局部池（OLP）技术中，但在不均匀分布中使用相同的基分类器模型可能会限制局部胜任水平，因为各区域的数据分布可能偏好某一模型甚于其他。因此，我们在本工作中提出一种与问题无关的 OLP 技术动态基分类器模型推荐方法，其利用关于一组模型在不同问题样本上行为的信息，以逐实例方式推荐其中一个（或数个）模型。我们提出的框架构建一个多标签元分类器，负责基于每个测试样本周边区域的局部数据复杂性，推荐一组相关的模型类型。OLP 技术随后以元分类器中概率得分最高的模型生成局部池。实验结果表明，不同数据分布在局部范围内偏好不同模型类型。此外，基于理想模型类型选择器的性能表现，观察到为每个测试实例选取相关模型类型具有明显优势。总体而言，所提模型类型推荐系统取得了与采用固定基分类器模型的原始 OLP 统计上相似的性能。鉴于该方法的新颖性及所提框架与理想选择器间的性能差距，我们认为这是一个有前景的研究方向。代码见 github.com/marianaasouza/dynamic-model-recommender。