×

通过正则化样本自表示进行标签分布学习。 (英语) 兹比尔1426.62193

摘要:多标签学习专注于对应的相关或不相关标签的实例,可以解决许多歧义问题。标签分布学习(LDL)反映了相关标签对实例的重要性,并提供了比多标签学习更通用的学习框架。然而,现有的LDL算法忽略了标签分布与特征之间的线性关系。在本文中,我们提出了一种用于LDL的正则化样本自表示(RSSR)方法。首先,标签分布问题通过样本自表示形式化,每个标签分布可以表示为其相关特征的线性组合。其次,采用L_2-范数最小二乘法和(L_2,1}-范数最小平方法来解决LDL问题,以减少离群值和过拟合的影响。相应的算法被命名为RSSR-LDL2和RSSR-LDL21。第三,使用12公共数据集和五个评估指标。结果表明,所提算法能够有效识别预测标签分布,并在距离和相似性评估方面表现出良好的性能。

MSC公司:

62H30型 分类和区分;聚类分析(统计方面)
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 张,M.-L。;Zhang,K.,利用标签依赖进行多标签学习,第16届ACM SIGKDD知识发现和数据挖掘国际会议论文集,KDD-2010·数字对象标识代码:10.1145/1835804.1835930
[2] 张,M.-L。;周Z.-H.,多标签学习算法综述,IEEE知识与数据工程汇刊,26,8,1819-1837(2014)·doi:10.1109/TKDE.2013.39
[3] 周,Z.-H。;Zhang,M.-L.,多实例多标签学习及其在场景分类中的应用,第20届神经信息处理系统年会论文集(NIPS’06)
[4] 张,M.-L。;Wu,L.,LIFT:具有标签特定功能的多标签学习,IEEE模式分析和机器智能汇刊,37,1,107-120(2015)·doi:10.1109/tpami.2014.2339815
[5] 李永康。;张,M.-L。;Geng,X.,利用隐含相对标签重要性信息进行有效的多标签学习,第15届IEEE数据挖掘国际会议论文集,ICDM 2015·doi:10.1109/ICDM.2015.41
[6] 朱伟,基于二元关系的广义粗糙集与覆盖的关系,信息科学,179,3210-225(2009)·Zbl 1163.68339号 ·doi:10.1016/j.ins.2008.09.015
[7] 何,Z。;李,X。;张,Z。;吴,F。;耿,X。;Zhang,Y。;Yang,M.-H先生。;Zhuang,Y.,用于年龄估计的数据相关标签分布学习,IEEE图像处理汇刊,26,8,3846-3858(2017)·doi:10.10109/TIP.2017.2655445
[8] 周,Y。;薛,H。;Geng,X.,面部表情的情绪分布识别,第23届ACM多媒体国际会议论文集,MM 2015·doi:10.1145/2733373.2806328
[9] 耿,X。;Hou,P.,《通过标签分布学习对电影观众意见的预发布预测》,第24届国际人工智能联合会议论文集,2015年国际计算机学会
[10] Geng,X.,标签分发学习,IEEE知识与数据工程汇刊,28,7,1734-1748(2016)·doi:10.1109/TKDE.2016.2545658
[11] 耿,X。;尹,C。;Zhou,Z.-H.,通过学习标签分布估计面部年龄,IEEE模式分析和机器智能汇刊,35,10,2401-2412(2013)·doi:10.1109/TPAMI.2013.51
[12] van Erven,T。;Harremo,P.,Rényi发散和Kullback-Leibler发散,电气与电子工程师学会信息理论汇刊,60,7,3797-3820(2014)·Zbl 1360.94180号 ·doi:10.1109/TIT.2014.2320050
[13] 耿,X。;王,Q。;Xia,Y.,通过自适应标签分布学习估计面部年龄,第22届模式识别国际会议论文集,ICPR 2014·doi:10.1109/ICPR.2014.764
[14] 皮尔斯·J。;Ferrier,S.,评估使用逻辑回归开发的栖息地模型的预测性能,生态建模,133,3,225-245(2000)·doi:10.1016/S0304-3800(00)00322-7
[15] 张,Z。;王,M。;Geng,X.,《通过标签分布学习实现公共视频监控中的人群计数》,神经计算,166,151-163(2015)·doi:10.1016/j.neucom.2015.03.083
[16] Xing,C。;耿,X。;Xue,H.,标签分布学习的Logistic boosting回归,2016年IEEE计算机视觉和模式识别会议论文集(CVPR’16)
[17] 杨,X。;高,B.-B。;Xing,C。;霍,Z.-W。;魏晓山。;周,Y。;吴杰。;Geng,X.,针对表观年龄估计的深度标签分布学习,第15届IEEE计算机视觉研讨会论文集,ICCVW 2015·doi:10.1109/ICCVW.2015.53
[18] 高,B.-B。;Xing,C。;谢长伟。;吴杰。;Geng,X.,带标签模糊性的深度标签分布学习,IEEE图像处理汇刊,26,6,2825-2838(2017)·Zbl 1409.94163号 ·doi:10.1109/TIP.2017.2689999
[19] Elhamifar,E。;Vidal,R.,《稀疏子空间聚类:算法、理论和应用》,IEEE模式分析和机器智能汇刊,35,11,2765-2781(2013)·doi:10.10109/TPAMI.2013.57
[20] 赵,H。;朱,P。;王,P。;Hu,Q.,递归正则化的层次特征选择,第二十六届国际人工智能联合会议论文集·doi:10.24963/ijcai.2017/487
[21] 罗,X。;Chang,X。;Ban,X.,基于L1-norm和L2-norm的极端学习机回归和分类,神经计算,174179-186(2016)·doi:10.1016/j.neucom.2015.03.112
[22] 侯,C。;聂,F。;李,X。;Yi,D。;Wu,Y.,联合嵌入学习和稀疏回归:无监督特征选择框架,IEEE控制论汇刊,44,6,793-804(2014)·doi:10.1109/TCYB.2013.2272642
[23] 张,B。;Perina,A。;穆里诺,V。;Del Bue,A.,带流形约束转移的稀疏表示分类,IEEE计算机视觉和模式识别会议论文集,CVPR 2015·doi:10.1109/CVPR.2015.7299086
[24] 罗,D。;丁,C。;Huang,H.,走向结构稀疏性:一个显式\(2/0)方法,第十届IEEE数据挖掘国际会议论文集,ICDM 2010·doi:10.1109/ICDM.2010.155
[25] 聂,F。;黄,H。;蔡,X。;Ding,C.H.,通过联合l2,1-形式最小化进行高效和稳健的特征选择,《神经信息处理系统的进展》,1813-1821(2010),麻省理工学院出版社
[26] 莫西,S。;Rosasco,L。;桑托罗,M。;Verri,A。;Villa,S.,用近似方法解决结构化稀疏正则化,计算机科学讲义(包括人工智能子系列讲义和生物信息学讲义):前言,6322,2,418-433(2010)·doi:10.1007/978-3-642-15883-4_27
[27] 吴,F。;韩,Y。;田强。;庄,Y.,通过结构分组稀疏性实现图像注释的多标签增强,第18届ACM多媒体国际会议论文集,(MM’10)·数字对象标识代码:10.1145/1873951.1873957
[28] 蔡,D。;张,C。;He,X.,多集群数据的非监督特征选择,第16届ACM SIGKDD国际知识发现和数据挖掘会议论文集(KDD’10),ACM·数字对象标识代码:10.1145/1835804.1835848
[29] 朱,P。;左,W。;张,L。;胡,Q。;Shiu,S.C.K.,通过正则化自我呈现进行无监督特征选择,模式识别,48,2,438-446(2015)·Zbl 1373.68344号 ·doi:10.1016/j.patcog.2014.08.006
[30] 侯,C。;聂,F。;Yi,D.,通过联合嵌入学习和稀疏回归进行特征选择,第22届国际人工智能联合会议论文集
[31] Shevade,S.K。;Keerthi,S.S.,《使用稀疏逻辑回归进行基因选择的简单高效算法》,生物信息学,19,17,2246-2253(2003)·doi:10.1093/bioinformatics/btg308
[32] 朱,J。;Rosset,S。;哈斯蒂,T。;Tibshirani,R.,1-范数支持向量机,神经信息处理系统会议
[33] 李,C.-N。;邵耀华。;Deng,N.Y.,稳健L1-形式二维线性判别分析,神经网络,65,92-104(2015)·Zbl 1394.68298号 ·doi:10.1016/j.neunet.2015.01.003
[34] McCalla,W.J.,线性方程解,37(1988),美国:施普林格,美国·doi:10.1007/978-1-4613-2011-12
[35] Cha,S.,概率密度函数之间距离/相似性度量的综合调查,国际应用科学数学模型和方法杂志,1,2,300-307(2007)
[36] 杜达,R.O。;哈特,体育。;Stork,D.G.,模式分类(2001),美国纽约州纽约市·兹伯利0968.68140
[37] 费罗,F。;Ross,I.M.,用切比雪夫伪谱方法进行直接轨迹优化,美国控制会议论文集·doi:10.1109/ACC.2000.876945
[38] Pearson,K.X.,《在相关变量系统的情况下,给定的偏离概率系统的标准是,可以合理地假设它是由随机抽样产生的》,伦敦、爱丁堡和都柏林哲学杂志和科学杂志,50,302,157-175(1900)·JFM 31.0238.04号
[39] Deza,E。;Deza,M.-M.,《距离词典》(2006),爱思唯尔·doi:10.1016/B978-0-444-52087-6.X5000-8
[40] Lin,H.-T。;林,C.-J。;Weng,R.C.,关于支持向量机的Platt概率输出的注释,机器学习,68,3,267-276(2007)·Zbl 1471.68220号 ·doi:10.1007/s10994-007-5018-6
[41] Wu,T.-F。;林,C.-J。;Weng,R.C.,通过两两耦合进行多类分类的概率估计,机器学习研究杂志(JMLR),5,975-1005(2004)·Zbl 1222.68336号
[42] Malouf,R.,最大熵参数估计算法的比较,第六届会议论文集·数字对象标识代码:10.3115/1118853.1118871
[43] Chekroud,A.M。;Zotti,R.J。;Shehzad,Z。;Gueorguieva,R。;约翰逊,M.K。;特里维迪,M.H。;坎农,T.D。;Krystal,J.H。;Corlett,P.R.,《抑郁症治疗结果的跨试验预测:机器学习方法》,《柳叶刀精神病学》,3,3,243-250(2016)·doi:10.1016/S2215-0366(15)00471-X
[44] 徐,C。;刘,T。;陶,D。;Xu,C.,多标签学习的局部Rademacher复杂性,IEEE图像处理汇刊,25,3,1495-1507(2016)·Zbl 1408.94734号 ·doi:10.1109/TIP.2016.2524207
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。