RIPML：一种基于受限等距性质的多标签学习方法
信息检索
2017-02-20 v1 机器学习
机器学习
摘要
具有大量标签、特征和数据点的多标签学习问题近来引起了极大兴趣。这些问题的一个反复出现的主题是，与标签总数相比，在任何给定数据点中仅有少数标签是活跃的。然而，现有工作中只有少数直接利用了标签空间中这种固有的极端稀疏性。借助许多随机集成所满足的受限等距性质(RIP)，我们提出了一种称为RIPML的多标签学习新流程。在训练阶段，RIPML将标签投影到随机低维子空间，然后在该子空间中求解最小二乘问题。推断通过基于k近邻(kNN)的方法完成。我们通过进行广泛仿真并将结果与最先进的基于线性降维的方法进行比较，证明了RIPML的有效性。
引用
@article{arxiv.1702.05181,
title = {RIPML: A Restricted Isometry Property based Approach to Multilabel Learning},
author = {Akshay Soni and Yashar Mehdad},
journal= {arXiv preprint arXiv:1702.05181},
year = {2017}
}
备注
6 pages