利用全局与局部标签相关性的多标签学习
机器学习
2017-04-06 v1 人工智能
摘要
众所周知，利用标签相关性对多标签学习十分重要。现有方法要么假设标签相关性是全局的且被所有实例共享；要么假设标签相关性是局部的且仅被数据子集共享。事实上，在真实应用中，两种情况都可能发生：某些标签相关性全局适用，而某些仅在局部实例组中共享。此外，仅观察到部分标签也是常见情况，这使得标签相关性的利用更加困难。也就是说，当许多标签缺失时，很难估计标签相关性。本文中，我们提出一种新的多标签方法 GLOCAL，同时处理全标签与缺失标签情形，通过学习潜在标签表示和优化标签流形，同时利用全局与局部标签相关性。广泛的实验研究验证了我们的方法在全标签和缺失标签数据上的有效性。
引用
@article{arxiv.1704.01415,
title = {Multi-Label Learning with Global and Local Label Correlation},
author = {Yue Zhu and James T. Kwok and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:1704.01415},
year = {2017}
}