可扩展的多输出标签预测：从分类器链到分类器格架
机器学习
2015-06-01 v1 计算机视觉与模式识别
数据结构与算法
机器学习
统计计算
摘要
多输出推理任务（如多标签分类）近年来变得日益重要。多标签分类的一种流行方法是分类器链（classifier chains），其中各个分类器的预测沿链级联，从而考虑标签间的依赖关系并提高整体性能。人们已提出了多种分类器链方法的变体，其中许多在广泛的基准数据集上表现极具竞争力。然而，在对完全级联链进行建模时，其可扩展性限制在较大数据集上变得明显。特别是，这些方法用于发现和建模良好链结构的策略构成了主要的计算瓶颈。在本文中，我们提出了用于可扩展多标签分类的分类器格架（classifier trellis, CT）方法。我们将 CT 与几种最近提出的分类器链方法进行比较，以表明其占据了一个重要的生态位：它在标准多标签问题上极具竞争力，同时也能扩展至数千甚至数万个标签。
引用
@article{arxiv.1501.04870,
title = {Scalable Multi-Output Label Prediction: From Classifier Chains to Classifier Trellises},
author = {J. Read and L. Martino and P. Olmos and D. Luengo},
journal= {arXiv preprint arXiv:1501.04870},
year = {2015}
}
备注
(accepted in Pattern Recognition)