×

一种局部利用标签相关性的多标签特征选择算法。 (中文)。英文摘要) Zbl 1374.68364号

摘要:近年来,多标签学习在机器学习中引起了广泛的关注。在多标签学习中,每个对象可能同时与多个标签关联,并且这些标签相互关联。因此,如何有效地发现和利用标签之间的相关性是多标签学习的核心研究问题。利用标签相关性提出了一系列多标签学习算法,并成功应用于许多应用领域。然而,高维数据中存在大量冗余特征和无关特征,降低了分类器的性能,很少有多标签特征选择算法考虑标签相关性。同时,现有的多标签特征选择算法大多利用全局标签相关性,假设标签相关性由所有实例共享。然而,在现实世界的任务中,不同的实例可能共享不同的标签相关性。在这方面,我们重点研究了如何利用局部标签相关性来改进多标签特征选择和帮助多标签分类。本文介绍了一种新的基于局部标签相关性的多标签特征选择算法(Loc-MLFS)。该算法在多标签特征选择算法中利用了局部标签相关性(相关性不是由所有实例共享)。为了实现局部标签相关性的使用,Loc-MLFS通过类别聚类将样本划分为组,并对每个组使用多标签特征选择。同时,该算法可以扩展到一个统一的框架。在数据集上的实验结果表明,Loc-MLFS可以获得优异的性能。

MSC公司:

68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别
PDF格式BibTeX公司 XML格式引用
全文: 内政部