×
车、小雅；陈德刚；米、巨生

一种学习标签相关性的新方法，用于多标签数据的特征选择。 （英语） Zbl 1456.68145号

信息科学。 512, 795-812 (2020).
摘要：多标签数据的每个示例都在对象中表示，对象具有其特征向量（即实例），同时与多个标签相关。学习标签相关性可以有效地减少需要预测的标签，优化分类性能。因此，标签相关性在多标签学习中起着至关重要的作用，许多现有算法都对其进行了研究。一般来说，每个标签都有其不可或缺的特征，可以合理地假设不可或缺的特征的较高重复性代表标签之间的较高相关性。受此启发，本文构建了每个标签的基本元素，这些元素由不可或缺的特征组成。提出了一种基于标签相关要素不同族的重叠学习标签相关性并应用于多标签数据特征选择的方法。首先，定义并表征每个标签的基本元素，以反映特征和标签之间的内在联系。此外，还提供了计算单个标签的基本元素的过程。其次，通过考虑由不同标签确定的基本元素集合的重叠，描述了标签的相关性以及相应的相关性判断矩阵与标签集的相关性。因此，将几个具有强关系的标签分配给一组相关的标签。同时，可以计算局部和全局标签相关性。因此，提出了一种新的多标签学习算法，称为CLSF，该算法通过将局部标签相关性应用于多标签数据的特征选择，为每个相关标签组选择一个必不可少的紧子集。最后，在11个基准数据集上的综合实验清楚地表明了CLSF相对于其他五种多标签学习算法的有效性和效率。

引用于10文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）

关键词：

多标签学习；全局标签相关性；局部标记相关性；特征选择

软件：

BoosTexter公司；MULAN公司；ML-KNN公司
PDF格式BibTeX公司 XML格式引用
\textit{X.Che}等人，《信息科学》。512795-812（2020年；兹比尔1456.68145）
全文： 内政部

参考文献：

[1] 卡诺，A。；Luna，J。；Gibaja，E。；Ventura，S.，多标签数据的LAIM离散化，信息科学。，330, 370-384 (2016)
[2] Ghazikhani，A。；蒙塞菲，R。；Yazdi，H.S.，《非平稳和不平衡数据流分类的在线神经网络模型》，国际J·马赫出版社。学习。赛博。，5, 1, 51-62 (2014)
[3] 陈，D。；杨，Y。；Dong，Z.，变精度粗糙集属性约简的增量算法，应用。软计算。，45, 129-149 (2016)
[4] Nan，G。；李，Q。；Dou，R.，用于多标签分类的基于局部正相关和负相关的k标签集，神经计算，31890-101（2018）
[5] Tsoumakas，G。；Spyromitros-Xioufis，E。；Vilcek，V.，MULAN：多标签学习的java库，J.Mach。学习。第12、7、2411-2414号决议（2011年）·Zbl 1280.68207号
[6] Tsoumakas，G。；Katakis，I.，《多标签分类：概述》，《国际数据仓库最小值》，3，3，1-13（2007）
[7] 李，H。；李，D。；翟毅，基于粗糙集理论的多标签数据属性约简方法，信息科学。，367-368, 827-847 (2016) ·Zbl 1428.68243号
[8] 戴J。；胡，H。；Wu，W.，基于最大可分辨对的模糊粗糙集属性约简方法，IEEE Trans。模糊系统。，26, 4, 2174-2187 (2018)
[9] 黄，J。；李·G。；Wang，S.，利用局部正负成对标签相关性进行多标签分类，神经计算，257164-174（2017）
[10] Lee，J。；Kim，D.，使用多元互信息进行多标签分类的特征选择，模式识别。莱特。，34, 349-357 (2013)
[11] Lee，J。；Kim，D.，使用交互信息的基于交互信息的多标签特征选择，专家系统。申请。，42, 2013-2025 (2015)
[12] Lee，J。；Kim，D.，用于多标签分类的Memetic特征选择算法，信息科学。，293, 80-96 (2015)
[13] Lee，J。；Kim，D.，SCLS：基于大标签集可扩展标准的多标签特征选择，模式识别。，66, 342-352 (2017)
[14] Lee，J。；Kim，H。；Kim，N.，利用有向无环图进行多标签分类的方法，标签相关性最大化，Inf.Sci。，351, 101-114 (2016)
[15] 张杰。；方，M。；Li，X.，《多标签学习与每个标签的区别特征》，神经计算，154，305-316（2015）
[16] Chen，L。；陈，D。；Wang，H.，基于对齐的多标签学习核选择，神经过程。莱特。(2018)
[17] 布特尔，M。；罗，J。；沈，X。；Brown，C.M.，学习多标签场景分类，模式识别。，37, 1757-1771 (2004)
[18] 拉赫曼，M。；Islam，M.，FIMUS：使用共现、相关性和相似性分析插补缺失值的框架，Knowl-基于系统。，56, 3, 311-327 (2014)
[19] 张，M。；Zhou，Z.，ML-KNN:多标签学习的懒惰学习方法，模式识别。，40, 7, 2038-2048 (2007) ·Zbl 1111.68629号
[20] 张，M。；周，Z.，多标签学习算法综述，IEEE Trans。知识。数据工程，26，1819-1837（2014）
[21] 张，M。；Wu，L.，LIFT:具有标签特定功能的多标签学习，IEEE Trans。模式分析。机器。智力。，37, 1, 1609-1614 (2015)
[22] 夏皮雷，R。；Singer，Y.，Boostexer:一个基于Boostexer的文本分类系统，Mach。学习。，39, 2-3, 135-168 (2000) ·Zbl 0951.68561号
[23] 黄，S。；Zhou，Z.，利用局部标签相关性进行多标签学习，第26届AAAI人工智能会议论文集，949-955（2012）
[24] Weng，W。；Lin，Y。；Wu，S.，基于标签特定特征和局部成对标签相关性的多标签学习，神经计算，273385-394（2018）
[25] Lin，Y。；Li，J.等人。；林，P。；林·G。；Chen，J.，通过邻域多粒度融合进行特征选择，Knowl。基于系统。，67, 162-168 (2014)
[26] Lin，Y。；胡，Q。；刘杰。；陈，J。；Duan，J.，基于邻域互信息的多标签特征选择，应用。软计算。，38, 244-256 (2016)
[27] Lin，Y。；胡，Q。；Liu，J.，基于模糊互信息的多标签学习流特征选择，IEEE Trans。模糊系统。，25, 6, 1491-1507 (2017)
[28] Lin，Y。；胡，Q。；张杰。；Wu，X.，带流标签的多标签特征选择，Inf.Sci。，372, 256-275 (2016)
[29] Lin，Y。；胡，Q。；Liu，J.，基于最大依赖和最小冗余的多标签特征选择，神经计算，168，92-103（2015）
[30] Yu，Y。；佩德里茨，W。；Miao，D.，利用标签相关性进行多标签分类，专家系统。申请。，41, 6, 2989-3004 (2014)
[31] Yu，Y。；佩德里茨，W。；Miao，D.，基于邻域粗糙集的自动图像标注多标签分类，国际期刊近似原因。，54, 9, 1373-1387 (2013) ·Zbl 1316.68122号
[32] Zhu，Y。；郭，J。；Zhou，Z.，具有全局和局部标签相关性的多标签学习，IEEE Trans。知识。数据工程，301081-1094（2017）
[33] 2006
[34] Pawlak，Z.，《粗糙集》，《国际计算杂志》。信息科学。，11, 5, 341-356 (1982) ·Zbl 0501.68053号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。