基于局部标签不平衡的多标签采样
机器学习
2020-05-20 v2 机器学习
摘要
类不平衡是多标签数据固有的特性，会阻碍大多数多标签学习方法。应对该问题的一个高效且灵活的策略是在训练多标签学习模型之前采用采样技术。尽管现有的多标签采样方法缓解了多标签数据集的全局不平衡，但实际导致性能下降的关键因素是少数类样本局部邻域内的不平衡程度。为解决此问题，我们提出一种评估多标签数据集局部标签不平衡的新度量，以及两种基于局部标签不平衡的多标签采样方法，即 MLSOL 与 MLUL。通过考虑所有信息性标签，MLSOL 为困难样本创建更多样且标注更好的合成实例，而 MLUL 消除对其局部区域有害的实例。在 13 个多标签数据集上的实验结果证明了所提度量与采样方法对多种评价指标的有效性，尤其是在原始数据重复样本上训练的分类器集成情形下。
引用
@article{arxiv.2005.03240,
title = {Multi-Label Sampling based on Local Label Imbalance},
author = {Bin Liu and Konstantinos Blekas and Grigorios Tsoumakas},
journal= {arXiv preprint arXiv:2005.03240},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1905.00609