基于标签与特征协作的部分多标签学习
机器学习
2020-03-18 v1 机器学习
摘要
部分多标签学习（PML）刻画了这样一种场景：每个训练样本被标注为一组候选标签，其中仅部分标签相关。PML问题在现实场景中很实用，因为获取精确标注的样本困难甚至不可能。已有若干PML解法来应对候选标签中无关标签的误导，但它们通常关注特征空间的平滑假设或标签空间的低秩假设，而忽略了特征与标签间的负向信息。具体而言，若两个样本具有大量重叠的候选标签，无论其特征相似与否，其真实标签应相似；而若它们在特征和候选标签空间均不相似，则其真实标签应彼此相异。为在PML数据上获得可信预测器，我们提出一种称为PML-LFC（基于标签与特征协作的部分多标签学习）的新方法。PML-LFC利用来自标签空间和特征空间的相似性估计每个样本相关标签的置信值，并以估计的置信值训练所需预测器。PML-LFC通过统一模型以相互增强的方式得到预测器与潜在标签矩阵，并发展了一种交替优化过程对其进行优化。在合成与真实数据集上的大量实证研究表明PML-LFC的优越性。
引用
@article{arxiv.2003.07578,
title = {Partial Multi-label Learning with Label and Feature Collaboration},
author = {Tingting Yu and Guoxian Yu and Jun Wang and Maozu Guo},
journal= {arXiv preprint arXiv:2003.07578},
year = {2020}
}
备注
16 pages, 4 figures, accepted to DASFAA2020