基于核的层次化多标签分类模型学习
Juho Rousu、Craig Saunders、Sandor Szedmak、John Shawe-Tylor; 7(59):1601−1626, 2006.
摘要
我们提出了一种基于内核的分层文本算法允许文档属于更多类别的分类一次超过一个类别。分类模型是一种变体最大边际马尔可夫网络框架，其中分类层次结构表示为配备了马尔可夫树边上定义了指数族。我们提出了一个有效的优化基于增量条件梯度提升的算法由边缘对偶变量跨越的单示例子空间。通过基于动态编程来促进优化在可行集中计算最佳更新方向的算法。
实验表明，该算法可以有效地优化训练数千个示例集和分类层次结构由数百个节点组成。全层次培训该模型和训练独立SVM-light分类器一样有效对于每个节点。该算法的预测精度为与其他最近推出的分层多类别竞争或多标签分类学习算法。
[腹肌]
[pdf格式][围兜]
