×
谭志浩；谭鹏；姜，袁；周志华

多标签最优利润分配机。 （英语） Zbl 1494.68230号

机器。学习。 109，第3期，623-642（2020年）.
摘要：多标签支持向量机（Rank-SVM）是一种经典且有效的多标签分类算法。其核心思想是最大化标签对的最小边距，这是对SVM的扩展。然而，最近的研究表明，最大化最小裕度并不一定会导致更好的泛化性能，相反，优化裕度分布更为关键。受此启发，本文首先将边缘分布引入多标签学习，提出了多标签最优边缘分布机器（mlODM），该机器有效地优化了所有标签对的边缘均值和方差。对多个多标签评估指标的大量实验表明，mlODM优于SVM风格的多标签方法。此外，实证研究给出了最佳边际分布，并验证了该方法的快速收敛性。

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：

最优利润分配机；多标签学习；支持向量机；边际理论

软件：

BoosTexter公司；MULAN公司；ML-KNN公司；阿达·布斯特。MH公司
PDF格式BibTeX公司 XML格式引用
\textit{Z.-H.Tan}等人，马赫。学习。109，编号3，623--642（2020；Zbl 1494.68230）
全文： 内政部

参考文献：

[1] 布特尔，MR；罗，J。；沈，X。；Brown，CM，学习多标签场景分类，模式识别，37，9，1757-1771（2004）·doi:10.1016/j.patcog.2004.03.009文件
[2] Breiman，L.，预测游戏和电弧算法，神经计算，11，7，1493-1517（1999）·Zbl 1508.68280号 ·数字对象标识代码：10.1162/08997669900016106
[3] 科尔特斯，C。；Vapnik，V.，支持向量网络，机器学习，20，3，273-297（1995）·Zbl 0831.68098号
[4] Elisseeff，A.和Weston，J.（2002）。一种多标记分类的核方法。T.G.Dietterich、S.Becker和Z.Ghahramani（编辑），《神经信息处理系统的进展》（第681-687页）。麻省理工学院出版社。
[5] M.弗兰克。；Wolfe，P.，《二次规划的算法》，《海军研究后勤季刊》，3，1-2，95-110（1956）·doi:10.1002/nav.3800030109
[6] 弗伦德，Y。；Schapire，RE，《在线学习的决策理论推广及其在助推中的应用》，《计算机与系统科学杂志》，55，1，119-139（1997）·Zbl 0880.68103号 ·doi:10.1006/jcss.1997.1504
[7] 高，W。；周，ZH，关于提升边际解释的质疑，人工智能，203，1-18（2013）·兹比尔1329.68215 ·doi:10.1016/j.artint.2013.07.002
[8] Guo，Y.和Schuurmans，D.（2011）。多标签分类的自适应大幅度训练。摘自：W.Burgard和D.Roth（编辑），第25届AAAI人工智能会议。加利福尼亚州旧金山：AAAI出版社。
[9] Jiang，A.、Wang，C.和Zhu，Y.（2008）。用于多标签图像分类的校准秩SVM。2008年，IEEE神经网络国际联合会议（IEEE计算智能世界大会）（第1450-1455页）。电气与电子工程师协会。
[10] 刘，Z。；崔，Y。；Li，W.，使用EEMD和秩小波SVM的复杂电能质量扰动分类方法，IEEE智能电网交易，6，4，1678-1685（2015）·doi:10.1109/TSG.2015.2397431
[11] Lv，S.H.，Wang，L.，&Zhou，Z.H.（2018）。最优保证金分配网络。arXiv预印本arXiv:1812.10761
[12] McCallum，A.（1999）。使用EM训练的混合模型进行多标签文本分类。AAAI文本学习研讨会（第1-7页）
[13] Reyzin，L.和Schapire，R.E.（2006年）。如何提高边缘也可以提高分类器的复杂性。第23届机器学习国际会议论文集（第753-760页）。ACM。
[14] 里奇塔里克，P。；Takáč，M.，最小化复合函数的随机块坐标下降方法的迭代复杂性，数学规划，144，1-2，1-38（2014）·Zbl 1301.65051号 ·doi:10.1007/s10107-012-0614-z
[15] 沙佩尔，RE；弗伦德，Y。；Bartlett，P。；Lee，WS，《提高利润率：投票方法有效性的新解释》，《统计年鉴》，第26期，第5期，第1651-1686页（1998年）·Zbl 0929.62069号 ·doi:10.1214/aos/1024691352
[16] 夏皮雷，RE；Singer，Y.，Boostexter:一个基于boosting-based的文本分类系统，机器学习，39，2-3，135-168（2000）·Zbl 0951.68561号 ·doi:10.1023/A:1007649029923
[17] 朔尔科普夫，B。；Smola，AJ，《使用内核学习：支持向量机、正则化、优化和超越》（2001），剑桥：麻省理工学院出版社，剑桥
[18] Sha，F.、Saul，L.K.和Lee，D.D.（2002年）。支持向量机中非负二次规划的乘法更新。S.Becker、S.Thrun和K.Obermayer（编辑）《神经信息处理系统的进展》（第1041-1048页）。麻省理工学院出版社。
[19] Tan，Z.H.，Zhang，T.，&Zhou，Z.H（2019）。核集随机方差减少梯度及其在最优利润分配机中的应用。在第33届AAAI人工智能会议上。
[20] Tsochantaridis，I。；约阿希姆斯，T。；霍夫曼，T。；Altun，Y.，《结构化和相互依赖输出变量的大幅度方法》，《机器学习研究杂志》，1453-1484年9月6日（2005）·Zbl 1222.68321号
[21] Tsoumakas，G。；Katakis，I。；Vlahavas，I.，多标签分类的随机k标签集，IEEE知识与数据工程汇刊，23，7，1079-1089（2011）·doi:10.1010/TKDE.2010.164
[22] Tsoumakas，G。；Spyromitros-Xioufis，E。；维尔切克，J。；Vlahavas，I.，Mulan:用于多标签学习的java库，《机器学习研究杂志》，第12期，第2411-2414页（2011年）·Zbl 1280.68207号
[23] 特恩布尔，D。；巴林顿，L。；托雷斯，D。；Lanckriet，G.，音乐和声音效果的语义注释和检索，IEEE音频、语音和语言处理汇刊，16，2，467-476（2008）·doi:10.1109/TASL.2007.913750
[24] Vapnik，VN，《统计学习理论的本质》（1995），柏林：施普林格出版社，柏林·Zbl 0833.62008号
[25] Wu，X.Z.，&Zhou，Z.H.（2017）。多标签性能度量的统一视图。第34届机器学习国际会议论文集（第70卷，第3780-3788页）。JMLR.org。
[26] Xu，J.，带零标签的高效多标签支持向量机，应用专家系统，39，5，4796-4804（2012）·doi:10.1016/j.eswa.2011.09.138
[27] Xu，J.，快速多标签核向量机，模式识别，46，3，885-898（2013）·Zbl 1254.68233号 ·doi:10.1016/j.patcog.2012.09.003
[28] 徐建华，多标签支持向量机的随机块坐标下降法，神经信息处理，281-290（2013），柏林，海德堡：施普林格-柏林-海德堡，柏林
[29] Xu，J.，带随机块坐标下降法的多拉格朗日支持向量机，信息科学，329184-205（2016）·兹比尔1390.68561 ·doi:10.1016/j.ins.2015.09.023
[30] 张敏玲；李宇坤；刘旭英；耿欣，《多标签学习的二进制相关性：概述》，《计算机科学前沿》，第12、2、191-202页（2018年）·doi:10.1007/s11704-017-7031-7
[31] 周志华，《弱监督学习简介》，《国家科学评论》，2017年第5期，第1期，第44-53页·doi:10.1093/nsr/nwx106
[32] 张，ML；Zhou，ZH，多标签神经网络及其在功能基因组学和文本分类中的应用，IEEE知识与数据工程汇刊，18，10，1338-1351（2006）·doi:10.1010/TKDE.2006.162
[33] 张，ML；Zhou，ZH，Ml-KNN:多标签学习的惰性学习方法，模式识别，40，7，2038-2048（2007）·Zbl 1111.68629号 ·doi:10.1016/j.patcog.2006.12.019
[34] 张，ML；Zhou，ZH，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
[35] Zhang，T.，&Zhou，Z.H.（2014年b）。大利润分配机。第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集（第313-322页）。ACM。
[36] Zhang，T.，&Zhou，Z.H.（2017）。多级最优利润分配机。第34届国际机器学习会议论文集（第70卷，第4063-4071页）。JMLR.org。
[37] Zhang，T.，&Zhou，Z.H.（2018）。最佳边际分布聚类。在第22届AAAI人工智能会议上。
[38] Zhang，T.，&Zhou，Z.H.（2018a）。半监督最优利润分配机器。Jéróme Lang（编辑）第27届国际人工智能联合会议记录（第3104-3110页）。瑞典斯德哥尔摩：IJCAI。
[39] 周振华（2019）。外展学习：将机器学习和逻辑推理联系起来。科学中国信息科学，62（7），76101。
[40] Zhang，T.，&Zhou，Z.（2019年）。最佳利润分配机。IEEE知识与数据工程汇刊10.1109/TKDE.2019.2897662。
[41] 周，YH；Zhou，ZH，带成本区间和未标记数据的大利润分布学习，IEEE知识与数据工程学报，28，7，1749-1763（2016）·doi:10.1109/TKDE.2016.2535283
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。