Copula多标签学习

的一部分神经信息处理系统进展32（NeurIPS 2019）

作者

刘伟伟

摘要

多标签学习中的一个艰巨挑战是建模标签和特征之间的相互依赖关系。不幸的是，现有的多标签依赖模型的统计特性仍然没有得到很好的理解。Copula是建模多元数据相关性的强大工具，在金融、计量经济学和系统神经科学等广泛应用中取得了巨大成功。这启发我们开发一种新的copula多标签学习范式，用于建模标签和特征依赖。基于copula的范式能够揭示多标签学习中的新统计见解。特别是，本文首先利用核技巧在输出空间中构造连续分布，然后对我们提出的模型进行半参数估计，其中copula是参数化建模的，而边缘分布是非参数建模的。理论上，我们证明了我们的估计量是一个无偏的一致估计量，并且渐近服从正态分布。此外，我们还限制了估计量的均方误差。不同领域的实验结果验证了该方法的优越性。