一种适用于多个类和多个标签的轻松易学的学习范式
刘伟伟，Ivor W.Tsang，Klaus-Robert M\“{u} 勒尔; 18(94):1−38, 2017.
摘要
许多应用，如人类行为识别和目标检测，都可以表述为一个多类分类问题。One-vs-rest（OVR）由于其简单性和优异的性能，是多类分类中应用最广泛的方法之一。然而，此类应用程序中的许多令人困惑的类将降低其结果。例如，拍手和拳击是两个令人困惑的动作。拍手很容易被误分类为拳击反之亦然。因此，对容易混淆的类进行精确分类仍然是一项具有挑战性的任务。为了在具有混淆类的多类分类中获得更好的性能，我们首先开发了一个用于多类分类的分类器链模型（CCMC），以在分类器之间传递类信息。然后，基于对我们提出的模型的分析，我们提出了一种多类分类的易-难学习范式，以自动识别易类和难类，然后使用简单类的预测来帮助解决难类。与CCMC类似，Read等人（2009）也提出了分类器链（CC）模型，以捕获多标签分类的标签依赖性。然而，CC没有考虑标签的难易程度，并且在存在许多令人困惑的标签时，性能会退化。因此，学习CC的适当标签顺序是非常重要的。基于我们对CCMC的分析，我们还提出了多标签分类的易-难学习范式，以自动识别易标签和硬标签，然后使用来自简单标签的预测来帮助解决难标签。我们还证明了我们提出的策略可以成功地应用于广泛的应用，如有序分类和关系预测。广泛的实证研究验证了我们的分析和我们提出的易学难学策略的有效性。
[腹肌]
[pdf格式][围兜]
