特权多标签学习
机器学习
2017-01-26 v1 机器学习
摘要
本文提出特权多标签学习（PrML）以探索并利用多标签学习问题中标签间的关系。我们认为，对于每个独立标签，它不仅可以通过标签预测子上的低秩约束与其他标签隐式连接，而且其在样本上的表现可以接收其他标签共同作为“Oracle teacher（先知教师）”给出的显式评论。我们为每个样本及其独立标签生成特权标签特征，并将其整合到基于低秩的多标签学习框架中。因此，所提算法通过继承特权信息和低秩约束的所有优点，能够全面探索并利用标签关系。我们证明 PrML 可通过双坐标下降算法利用具有廉价更新的迭代优化策略高效求解。在基准数据集上的实验表明，通过特权标签特征，性能可显著提升，且 PrML 在大多数情况下优于几种对比方法。
引用
@article{arxiv.1701.07194,
title = {Privileged Multi-label Learning},
author = {Shan You and Chang Xu and Yunhe Wang and Chao Xu and Dacheng Tao},
journal= {arXiv preprint arXiv:1701.07194},
year = {2017}
}