×

多标签分类的监督表示学习。 (英语) Zbl 1491.68157号

摘要:由于多标签数据的复杂性,表示学习是多标签学习的一个重要方面。目前关于表征学习的研究要么没有考虑标记知识,要么受到缺少标记数据的影响。此外,大多数人学习表示并以两步的方式合并标签信息。由于深度学习中的表示学习取得了成功,本文提出了一种新的基于神经网络的框架SERL,通过以有效的监督方式联合考虑所有标签来学习全局特征表示。其核心是在softmax回归的监督下,采用一种可以利用标记和未标记数据的两层编码自动编码器来学习特征表示。具体来说,softmax回归结合了标签知识,通过与自动编码器联合优化来提高表示学习和多标签学习的性能。此外,自动编码器被扩展为两个编码层,通过共享第二个编码权重矩阵与softmax回归共享知识。我们在五个实际数据集上进行了大量实验,以证明SERL相对于其他最先进的多标签学习方法的优势。

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)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 布特尔先生;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
[2] Chang,抄送;Lin,Cj,Libsvm:支持向量机库,ACM智能系统与技术汇刊,2,3,27(2011)·数字对象标识代码:10.1145/1961189.1961199
[3] Chen,G.、Song,Y.、Wang,F.和Zhang,C.(2008)。通过求解sylvester方程进行半监督多标签学习。在2008年4月24日至26日于美国佐治亚州亚特兰大举行的SIAM国际数据挖掘会议上(第410-419页)。
[4] 克莱尔,A。;King,Rd,多标签表型数据中的知识发现,计算机科学讲义,2168216842-53(2002)·Zbl 1009.68730号
[5] 埃·埃利塞夫;Weston,J.,《多标记分类的核心方法》,《神经信息处理系统的进展》,14,681-687(2002)
[6] 弗恩克兰兹,J。;Hüllermier,E。;Mencía,El;Brinker,K.,通过校准标签排名进行多标签分类,机器学习,73,2,133-153(2008)·Zbl 1470.68108号 ·doi:10.1007/s10994-008-5064-8
[7] Ghamrawi,N.和McCallum,A.(2005年)。集体多标签分类。第14届ACM信息和知识管理国际会议记录(第195-200页)。ACM公司。
[8] Godbole,S.和Sarawagi,S..(2004)。多标记分类的判别方法。亚太知识发现和数据挖掘会议(第22-30页)。斯普林格。
[9] 季S。;Tang,L。;于斯。;Ye,J.,多标签分类的共享子空间学习框架,Acm Transactions on Knowledge Discovery from Data,4,2,1-29(2010)·doi:10.1145/1754428.1754431
[10] Karalas,K.、Tsagkatakis,G.、Zervakis,M.和Tsakalides,P.(2015)。多标签土地覆盖分类的深度学习。SPIE遥感(第96430Q-96430Q页)。国际光学与光子学学会。
[11] Li,X.,&Guo,Y.(2014)。多标签分类的双向表示学习。在关于数据库中的机器学习和知识发现的欧洲联合会议上(第209-224页)。斯普林格。
[12] Madigan,D.、Genkin,A.、Lewis,D.D.、Argamon,S.、Fradkin,D.,Li,Y.和Consulting,D.D.L.(2005)。大规模的作者鉴定。北美船级社会议记录。
[13] Nguyen,V.、Gupta,S.、Rana,S..、Li,C.和Venkatesh,S.(2016)。多标签分类的贝叶斯非参数方法。在亚洲机器学习会议上(第254-269页)。
[14] Qian,B.和Davidson,I.(2010年)。用于多标签分类的半监督降维。AAAI(第10卷,第569-574页)。
[15] 里德·J。;Perezcruz,F.,多标签分类的深度学习,机器学习,85,3,333-359(2014)·doi:10.1007/s10994-011-5256-5
[16] 里德·J。;普法林格,B。;福尔摩斯,G。;Frank,E.,多标签分类的分类器链,机器学习,85,3,333(2011)·doi:10.1007/s10994-011-5256-5
[17] 里德·J。;鲁特曼,P。;普法林格,B。;Holmes,G.,Meka:weka的多标签/多目标扩展,《机器学习研究杂志》,17,21,1-5(2016)·Zbl 1360.68708号
[18] 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
[19] Sun,L.,Ji,S.,&Ye,J.(2008)。用于多标签分类的超图谱学习。在美国内华达州拉斯维加斯举行的ACM SIGKDD知识发现和数据挖掘国际会议上(第668-676页)。
[20] Tsoumakas,G。;Katakis,I.,《多标签分类:概述》,《国际数据仓库与挖掘杂志》,3,3,1-13(2006)·doi:10.4018/jdwm.2007070101
[21] Tsoumakas,G。;Katakis,I。;Vlahavas,I.,《挖掘多标签数据》,《数据挖掘和知识发现手册》,667-685(2009),马萨诸塞州波士顿:斯普林格·数字对象标识代码:10.1007/978-0-387-09823-4_34
[22] 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:10.1109/TKDE.2010.164
[23] 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
[24] Tsoumakas,G.和Vlahavas,I.(2007年)。随机k标签集:多标签分类的集成方法。在欧洲机器学习会议上(第406-417页)。斯普林格。
[25] 文森特,P。;拉罗谢尔,H。;我·拉朱伊。;Y.本吉奥。;Manzagol,P-A,堆叠去噪自动编码器:使用局部去噪标准学习深层网络中的有用表示,机器学习研究杂志,11,3371-3408(2010)·Zbl 1242.68256号
[26] Yu,K.、Yu,S.和Tresp,V.(2005年)。多标签通知潜在语义索引。在国际ACM SIGIR信息检索研究与开发会议上(第258-265页)。
[27] 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:10.10109/TPAMI.2014.2339815
[28] Zhang,M.-L.和Zhang、K.(2010年)。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(第999-1008页)。ACM公司。
[29] Zhang,M.L.,&Zhou,Z.H.(2005)。一种基于k近邻的多标签分类算法。在IEEE粒度计算国际会议上(第2卷,第718-721页)。
[30] Ml,Zhang;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:10.1109/TKDE.2006.162
[31] 张,M-L;Zhou,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
[32] Zhang,Q.-W.,Zhong,Y.,&Zhang、M.-L.(2018)。用于多标签学习的特征诱导标签信息丰富。在第三十二届AAAI人工智能会议上。
[33] Zhang,Y.,&Zhou,Z.H.(2008)。通过相关性最大化减少多标签维数。在AAAI人工智能会议上,AAAI 2008,美国伊利诺伊州芝加哥(第1503-1505页)。
[34] Zhou,W.-J.,Yu,Y.,&Zhang,M.-L.(2017)。用于多标签分类的二进制线性压缩。第26届国际人工智能联合会议记录(第3546-3552页)。AAAI出版社。
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。