威廉·韦格曼；克日什托夫·登布奇恩斯基；埃克·Hüllermier 多目标预测：对问题和方法的统一看法。 （英语） Zbl 1464.62399号 最小已知数据。迪斯科。 33，第2期，293-324（2019）. 摘要：机器学习中的许多问题设置都与同时预测不同类型的多个目标变量有关。除此之外，此类问题设置出现在多元回归、多标签分类、多任务学习、二元预测、零快照学习、网络推理和矩阵补全中。机器学习的这些子领域通常是单独研究的，没有强调或探索重要的关系。在本文中，我们对我们所称的多目标预测（MTP）问题和方法提出了统一的观点。首先，我们正式讨论了现有MTP问题之间的共性和差异。为此，我们引入了一个通用框架，将上述子字段作为特殊情况进行覆盖。作为第二个贡献，我们提供了MTP方法的结构化概述。这是通过识别一些关键特性来实现的，这些特性区分了这些方法，并确定了它们对不同类型问题的适用性。最后，我们还讨论了未来研究的一些挑战。 引用于5文件 MSC公司： 62M20型 随机过程推断和预测 62H15型 多元分析中的假设检验 62J02型 一般非线性回归 68T05型 人工智能中的学习和自适应系统 关键词：多目标预测；多元回归；多标签分类；多任务学习；成对学习；二元预测；零射击学习；协同过滤 软件：ElemStatLearn（电子状态学习）；OverFeat（覆盖特征）；HCP公司；脱咖啡因咖啡；softImpute软件；单词2vec；国家气象局 PDF格式BibTeX公司 XML格式引用 \textit{W.Waegeman}等人，《Data Min.Knowl》。发现。33，编号2，293--324（2019；Zbl 1464.62399） 全文： 内政部 arXiv公司 参考文献： [1] Abernethy J，Bach F，Evgeniou T，Vert JP（2008）协作滤波的新方法：带谱正则化的算子估计。J Mach学习研究10:803-826·Zbl 1235.68122号 [2] Adams RP、Dahl GE、Murray I（2010）使用高斯过程将边信息纳入概率矩阵分解。收录：Grünwald P，Spirtes P（eds）第26届人工智能不确定性会议，第1-9页 [3] Aho T，Zhi enko B，Díeroski S（2009）《多目标回归的规则集合》。摘自：IEEE数据挖掘国际会议记录，第21-30页·Zbl 1433.68321号 [4] Aho T，Zhi enko B，Díeroski S，Elomaa T（2012）《规则集合的多目标回归》。J Mach学习研究13（1）：2367-2407·Zbl 1433.68321号 [5] Akata Z、Reed SE、Walter D、Lee H、Schiele B（2015）《细粒度图像分类输出嵌入评估》。In:IEEE计算机视觉和模式识别会议，CVPR 2015，美国马萨诸塞州波士顿，2015年6月7日至12日，第2927-2936页 [6] Akata Z、Perronnin F、Harchaoui Z、Schmid C（2016）《图像分类的标签嵌入》。IEEE Trans-Pattern Ana Mach Intell38（7）：1425-1438 [7] 阿尔瓦雷斯M，罗萨斯科L，劳伦斯N（2012），向量值函数的核：综述。发现趋势机器学习4（3）：195-266·Zbl 1301.68212号 [8] Ando RK，Zhang T（2005）从多任务和未标记数据中学习预测结构的框架。J Mach学习研究6:1817-1853·Zbl 1222.68133号 [9] Bakker B，Heskes T（2003）《贝叶斯多任务学习的任务聚类和门控》。J Mach学习研究4:83-99·Zbl 1085.68612号 [10] Balasubramanian K，黎巴嫩G（2012）多产量预测的里程碑式选择方法。参加：机器学习国际会议 [11] Baldassarre L、Rosasco L、Barla A、Verri A（2012）《通过频谱滤波进行多输出学习》，《马赫学习》87（3）：259-301·Zbl 1243.68233号 [12] Barutcuoglu Z，Schapire RE，Troyanskaya OG（2006）基因功能的层次多标记预测。生物信息学22（7）：830-836 [13] Basilico J，Hofmann T（2004）统一协作和基于内容的过滤。摘自：第21届机器学习国际会议论文集，第9-16页 [14] Ben-Hur A，Noble W（2005）预测蛋白质-蛋白质相互作用的核方法。生物信息学21（增刊1）：38-46 [15] Bhatia K，Jain H，Kar P，Varma M，Jain P（2015）用于极端多标签分类的稀疏局部嵌入。在：神经信息处理系统的进展28：2015年神经信息处理系统年会，2015年12月7日至12日，加拿大魁北克省蒙特利尔，第730-738页 [16] Bi W，Kwok J（2012）层次多标记分类中的强制性叶节预测。高级神经信息处理系统25:153-161 [17] Bi W，Kwok JT（2013）多标签高效多标签分类。摘自：2013年6月16日至21日在美国佐治亚州亚特兰大举行的第30届国际机器学习会议记录，第405-413页 [18] Bielza C，Li G，Larraóaga P（2011），贝叶斯网络多维分类。国际J近似原因52（6）：705-727·Zbl 1226.68078号 [19] Bonilla EV、Agakov F、Williams C（2007）《使用任务特定功能的内核多任务学习》。摘自：2007年第11届人工智能和统计国际会议，第43-50页 [20] Breiman L，Friedman J（1997）预测多元线性回归中的多元反应。J R Stat Soc B期刊69:3-54·Zbl 0897.62068号 [21] Candes E，Recht B（2008）通过凸优化精确完成低秩矩阵。找到计算数学9:717-772·Zbl 1219.90124号 [22] Caponetto A、Michelli CA、Pontil M、Ying Y（2008）《通用多任务内核》。J Mach学习研究9:1615-1646·Zbl 1225.68155号 [23] Caruana R（1997）《多任务学习：基于知识的归纳偏见来源》。马赫学习28:41-75 [24] Chen J，Tang L，Liu J，Ye J（2009）从多个任务中学习共享结构的凸公式。摘自：美国纽约州纽约市ACM第26届国际机器学习年会论文集，ICML'09，第137-144页 [25] Cheng W，Hüllermier E（2009）将基于实例的学习和逻辑回归结合起来进行多标签分类。马赫学习76（2-3）：211-225·Zbl 1470.68091号 [26] CisséM、Usunier N、Artières T、Gallinari P（2013）大型多标签分类任务的鲁棒bloom过滤器。内容：神经信息处理系统进展，第26卷。美国内华达州塔霍湖，1851-1859页 [27] Dembczyñski K，Waegeman W，Cheng W，Hüllermier E（2012）多标签分类中的标签依赖和损失最小化。马赫数学习88:5-45·Zbl 1243.68237号 [28] Dembczyñski K，Kotłowski W，Gawel P，Szarecki A，Jaszkiewicz A（2013）大型交通网络中出行时间估计的矩阵分解。参加：人工智能和软计算第12届国际会议（ICAISC 2013）。计算机科学课堂讲稿，第7895卷。施普林格，pp 500-510 [29] Dembczyñski K，Kotłowski W，Waegeman W，Busa-Fekete R，Hüllermier E（2016）概率分类器树的一致性。在：数据库中的机器学习和知识发现-欧洲会议，ECML PKDD 2016，意大利里瓦德尔加达，2016年9月19-23日，会议记录，第二部分，第511-526页 [30] Deng J，Ding N，Jia Y，Frome A，Murphy K，Bengio S，Li Y，Neven H，Adam H（2014）使用标签关系图的大规模对象分类。在：欧洲计算机视觉会议。计算机科学讲座笔记第8689卷。施普林格，第48-64页 [31] Dinuzzo F（2013）多任务问题的学习输出核。神经计算机118:119-126 [32] Dinuzzo F，Ong CS，Gehler P，Pillonetto G（2011）使用块坐标下降学习输出内核。摘自：机器学习国际会议论文集 [33] Donahue J，Jia Y，Vinyals O，Hoffman J，Zhang N，Tzeng E，Darrell T（2014）Decaf:用于一般视觉识别的深度卷积激活特征。摘自：2014年6月21日至26日在中国北京举行的第31届国际机器学习会议记录，第647-655页 [34] Evgeniou T（2005）使用内核方法学习多个任务。J Mach学习研究6:615-637·Zbl 1222.68197号 [35] Evgeniou T，Pontil M（2004）《规则化多任务学习》。摘自：第十届ACM SIGKDD知识发现和数据挖掘国际会议记录，第109-117页 [36] Fang Y，Si L（2011）具有丰富边信息和隐含反馈的推荐矩阵联合分解。In:第二届推荐系统信息异质性和融合国际研讨会，ACM，第65-69页 [37] Frome A、Corrado GS、Shlens J、Bengio S、Dean J、Ranzato M、Mikolov T（2013）《设计：深层视觉-语义嵌入模型》。主题：神经信息处理系统的进展，第2121-2129页 [38] Fu Y，Hospedales T，Xiang T，Gong S（2013）学习多模态潜在属性。IEEE Trans-Pattern Ana Mach Intell 36（2）：303-316 [39] Gaujoux R，Seoighe C（2010）非负矩阵分解的灵活R包。BMC生物信息11:367 [40] Girshick R、Donahue J、Darrell T、Malik J（2014）《用于精确对象检测和语义分割的丰富特征层次》。摘自：2014年IEEE计算机视觉和模式识别会议记录，美国华盛顿特区，第580-587页 [41] Godbole S，Sarawagi S（2004）多标记分类的判别方法。PAKDD 2004年22月30日 [42] Gönen M（2012）使用贝叶斯矩阵分解从化学和基因组核预测药物靶点相互作用。生物信息学28（18）：2304-10 [43] 龚P，叶杰，张C（2012）鲁棒多任务特征学习。摘自：第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集，美国纽约州纽约市ACM，KDD’12，第895-903页 [44] Gong Y，Wang L，Guo R，Lazebnik S（2014）深卷积激活特征的多尺度无序池。参加：欧洲计算机视觉会议。计算机科学课堂讲稿，第8695卷。施普林格，第392-407页 [45] Gopal S，Yang Y（2013）具有层次和图形依赖性的大规模分类递归正则化。摘自：第19届ACM SIGKDD知识发现和数据挖掘国际会议论文集，美国纽约州纽约市ACM，第257-265页 [46] Gopal S，Yang Y，Bai B，Niculescu Mizil A（2012）用于大规模分层分类的贝叶斯模型。在：第25届神经信息处理系统国际会议论文集，美国，NIPS’12，第2411-2419页 [47] Gu Q，Li Z，Han J（2011）相关多标签特征选择。摘自：第20届ACM信息和知识管理国际会议记录，ACM，美国纽约州纽约市，CIKM'11，第1087-1096页 [48] Guo Y，Gu S（2011）使用条件依赖网络的多标签分类。摘自：第二十二届国际人工智能联合会议记录，第2卷，AAAI出版社，IJCAI'11，第1300-1305页 [49] Hariharan B、Zelnik-Manor L、Vishwanathan S、Varma M（2010）《大规模最大边际多标签分类与先验》。参加：机器学习国际会议。Omni出版社 [50] Hastie T、Tibshirani R、Friedman JH（2007）《统计学习的要素：数据挖掘、推理和预测》，第2版。海德堡施普林格·Zbl 0973.62007号 [51] Hayashi K，Takenouchi T，Tomioka R，Kashima H（2012）多任务高斯过程的自度量相似性。收件人：Guyon I，Dror G，Lemaire V，Taylor GW，Silver DL（eds）ICML无监督和转移学习研讨会，JMLR会议记录，第27卷，第145-154页 [52] Hsu D，Kakade S，Langford J，Zhang T（2009）通过压缩传感进行多波长预测。包含：NIPS 22，第772-780页 [53] Hüllermier E，Fürnkranz J，Cheng W，Brinker K（2008）通过学习成对偏好进行标签排名。Artif Intell艺术情报172（16-17）：1897-1916·Zbl 1184.68403号 [54] Izenman A（1975）多元线性模型的降秩回归。多变量分析杂志5:248-262·Zbl 0313.62042号 [55] Jacob L，Vert J（2008）《蛋白质-甘露相互作用预测：改进的化学基因组学方法》。生物信息学24（19）：2149-2156 [56] Jacob L、Bach F、Vert JP（2008）《集群式多任务学习：凸公式》。领域：神经信息处理系统的进展 [57] Jain P、Netrapalli P、Sanghavi S（2013）使用交替最小化完成低秩矩阵。摘自：第四十五届美国计算机学会计算理论年会论文集，美国纽约州纽约市，第665-674页·Zbl 1293.65073号 [58] Jalali A、Sanghavi S、Ravikumar P、Ruan C（2010）多任务学习的脏模型。In：神经信息处理系统，第964-972页 [59] James W，Stein C（1961）二次损失估计。摘自：第四届伯克利数学、统计学和概率论研讨会论文集，第361-379页·Zbl 1281.62026号 [60] Jawanpuria P、Lapin M、Hein M、Schiele B（2015）多任务高效输出内核学习。主题：神经信息处理系统进展，第28卷，第1189-1197页 [61] Kashima H，Kato T，Yamanishi Y，Sugiyama M，Tsuda K（2009）链路传播：用于链路预测的快速半监督学习算法。In:SIAM数据挖掘国际会议（SDM’09），SIAM，第1099-1110页 [62] Kong X，Yu PS（2012）gMLC：用于图形分类的多标签特征选择框架。知识信息系统31（2）：281-305 [63] Krichene W，Mayoraz N，Rendle S，Zhang L，Yi X，Hong L，Chi E，Anderson J（2018）通过gramian估计对超大语料库进行高效训练。ArXiv电子打印 [64] Kula M（2015）用户和项目冷启动建议的元数据嵌入。在：与第九届ACM推荐系统会议共同举办的基于内容的推荐系统新趋势第二次研讨会论文集，第14-21页 [65] Lampert CH，Nickisch H，Harmeling S（2009）学习通过类间属性转移来检测看不见的对象类。在：计算机视觉和模式识别会议 [66] Larochelle H，Erhan D，Bengio Y（2008）新任务的零数据学习。参加：第23届全国人工智能会议（AAAI'08）。AAAI出版社，第646-651页 [67] Lawrence N，Urtasun R（2009）高斯过程的非线性矩阵分解。附：第26届机器学习国际年会论文集 [68] Lee G，Yang E，Hwang SJ（2016）基于任务相关性和信心的非对称多任务学习。摘自：第33届机器学习国际会议记录，2016年6月19日至24日，美国纽约州纽约市，ICML 2016，第230-238页 [69] Liu W，Johnson D（2009）聚类及其在多目标预测中的应用。Curr Opin药物研发12（1）：98-107 [70] Liu J，Kuipers B，Savarese S（2011）通过属性识别人类行为。摘自：2011年IEEE计算机视觉和模式识别会议记录，美国华盛顿特区，第3337-3344页 [71] Liu H，Sun J，Guan J，Zheng J，Zhou S（2015）通过建立高度可信的负样本改进化合物-蛋白质相互作用预测。生物信息学31（12）：i221-i229 [72] Loza Mencía E，Janssen F（2016）《多标签分类的学习规则：堆叠和分离与查询方法》。马赫学习105（1）：77-126 [73] Mazumder R，Hastie T，Tibshirani R（2010）学习大型不完备矩阵的谱正则化算法。J Mach学习研究11:2287-2322·Zbl 1242.68237号 [74] Menon A，Elkan C（2010）二进预测潜在特征的对数线性模型。摘自：第十届IEEE数据挖掘国际会议（ICDM），第364-373页 [75] Menon A，Elkan C（2011）通过矩阵分解进行链接预测。Mach Learn Knowl Discov数据库6912:437-452 [76] Mikolov T，Chen K，Corrado G，Dean J（2013），向量空间中单词表示的有效估计。CoRR arXiv公司：1301.3781 [77] Nam J，Loza-Mencia E，Kim HJ，Fürrnkranz J（2015）在大规模多标签学习中使用标签层次结构预测看不见的标签。参加：欧洲机器学习会议。计算机科学课堂讲稿，第9284卷。施普林格，第102-118页 [78] Nam J，Loza Mencia E，Fürnkranz J（2016）All-in text:联合学习文档、标签和单词表示。摘自：第三十届AAAI人工智能会议记录，2016年2月12-17日，美国亚利桑那州凤凰城，第1948-1954页 [79] Obozinski G，Taskar B，Jordan MI（2010）多分类问题的联合协变量选择和联合子空间选择。统计计算20（2）：231-252 [80] Oquab M，Bottou L，Laptev I，Sivic J（2014）使用卷积神经网络学习和传输中级图像表示。摘自：2014年IEEE计算机视觉和模式识别会议记录，美国华盛顿特区，第1717-1724页 [81] Oyama S，Manning C（2004）在示例中使用特征连词学习成对分类器。参加：关于数据库中的机器学习和知识发现的欧洲会议。计算机科学课堂讲稿，第3201卷。施普林格，第322-333页·Zbl 1132.68581号 [82] Pahikkala T，Waegeman W，Tsivtsivadze E，Salakoski T，De Baets B（2010）用核方法学习不及物互惠关系。欧洲操作研究杂志206（3）：676-685·Zbl 1188.68234号 [83] Pahikkala T、Airola A、Stock M、Baets BD、Waegeman W（2013）关系数据条件排名的高效正则化最小二乘算法。马赫学习93（2-3）：321-356·Zbl 1300.68045号 [84] Pahikkala T、Stock M、Airola A、Aittokallio T、De Baets B、Waegeman W（2014）二元预测中解决完全和几乎完全冷启动问题的两步学习方法。收录：计算机科学课堂讲稿，第8725卷，第517-532页 [85] Palatucci M、Hinton G、Pomerleau D、Mitchell TM（2009）《使用语义输出代码的零炮学习》。主题：神经信息处理系统的进展，第1410-1418页 [86] Papagiannopoulou C，Tsoumakas G，Tsamardinos I（2015）发现并利用多标签学习中的确定性标签关系。收件人：Cao L、Zhang C、Joachims T、Webb GI、Marginantu DD、Williams G（编辑）KDD、ACM，第915-924页 [87] Papagiannopoulou C、Miralles DG、Demuzere M、Verhoest N、Waegeman W（2018）通过多任务学习确定的全球水文气候生物群落。地质模型开发11:4139-4153 [88] Park SH，Fürnkranz J（2008）带标签约束的多标签分类。参与：ECML PKDD 2008偏好学习研讨会（PL-08，比利时安特卫普） [89] Park ST，Chu W（2009）《冷启动推荐的成对偏好回归》。In:第三届ACM推荐系统会议，ACM，第21-28页 [90] Park Y，Marcotte EM（2012）对输入计算预测评估方案中的缺陷。自然方法9（12）：1134-1136 [91] Pelossof R，Singh I，Yang JL，Weirauch MT，Hughes TR，Leslie CS（2015）亲和力回归预测核酸结合蛋白的识别码。国家生物技术33（12）：1242-1249 [92] Prabhu Y、Kag A、Harsola S、Agrawal R、Varma M（2018）Parabel：用于极端分类的分区标签树，应用于动态搜索广告。收录：网络会议（WWW），第993-1002页 [93] Rai P，DauméIII H（2009），通过稀疏无限CCA进行多值预测。附：神经信息处理系统会议记录 [94] Rangwala H，Naik A（2017）《大规模层次分类：基础、算法和应用》。哈利法克斯KDD教程 [95] Raymond R，Kashima H（2010）静态和动态图上半监督链接预测的快速可扩展算法。收录：Balcázar JL、Bonchi F、Gionis A、Sebag M（编辑）关于数据库中的机器学习和知识发现的欧洲会议。计算机科学课堂讲稿，第6323卷。施普林格，pp 131-147 [96] Razavian AS、Azizpour H、Sullivan J、Carlsson S（2014）Cnn的特点是：一个令人震惊的识别基准。摘自：2014年IEEE计算机视觉和模式识别会议记录，美国华盛顿特区，第512-519页 [97] 阅读J（2013）《多维分类与超类》。IEEE Trans Knowl数据工程99:1 [98] Rohrbach M、Stark M和Schiele B（2011年），在大规模环境中评估知识转移和零快照学习。摘自：IEEE计算机学会计算机视觉和模式识别会议记录，第1641-1648页 [99] Romera-Pieres B，Torr P（2015）零快照学习的一种令人尴尬的简单方法。在：第32届机器学习国际会议论文集，第37卷，第2152-2161页 [100] Rousu J，Saunders C，Szedmak S，Shawe Taylor J（2006）基于核的分层多标签分类模型学习。马赫学习研究杂志7:1601-1626·Zbl 1222.68291号 [101] Schäfer D，Hüllermier E（2015）使用双线性Plackett-Luce模型对Dyad进行排名。摘自：欧洲数据库机器学习和知识发现会议论文集ECML/PKDD-2015，葡萄牙波尔图·Zbl 1464.62232号 [102] Sermanet P、Eigen D、Zhang X、Mathieu M、Fergus R、Lecun Y（2014）《超越：使用卷积网络的集成识别、定位和检测》 [103] Shan H，Banerjee A（2010）协同过滤的广义概率矩阵分解。收录：Webb GI，Liu B，Zhang C，Gunopulos D，Wu X（编辑）第十届IEEE数据挖掘国际会议（ICDM）。IEEE计算机学会，第1025-1030页 [104] Silla CN，Aa F（2010）不同应用领域的层次分类调查。数据最小知识发现22（1-2）：31-72·Zbl 1235.68190号 [105] Socher R、Ganjoo M、Sridhar H、Bastani O、Manning CD、Ng AY（2013），通过交叉模式转移进行零射学习。主题：神经信息处理系统的进展26，第935-943页 [106] Spolaór N，Monard MC，Tsoumakas G，Lee HD（2016）《多标签特征选择的系统综述和基于标签构建的新方法》。神经计算180（C）：3-15 [107] Spyromitros-Xioufis E、Tsoumakas G、Groves W、Vlahavas I（2016）《通过输入空间扩展的多目标回归：将目标视为输入》。马赫数学习104（1）：55-98·Zbl 1454.68134号 [108] Stock M、Fober T、Hüllermeier E、Glinca S、Klebe G、Pahikkala T、Airola A、De Baets B、Waegeman W（2014）《通过学习排序法识别功能相关酶》。IEEE Trans-Comput生物信息11（6）：1157-1169 [109] Stock M、Pahikkala T、Airola A、Baets BD、Waegeman W（2016）《使用核岭回归的有效两两学习：一种精确的两步方法》。arXiv:1606.04275 [110] Tai F，Lin HT（2010）基于主标签空间变换的多标签分类。参与：第二次从多标签数据学习国际研讨会（MLD 2010），与ICML/COLT 2010联合举办 [111] Tai F，Lin HT（2012）《基于主标签空间变换的多标签分类》。神经计算24（9）：2508-2542·Zbl 1269.68084号 [112] Takács G，Pilászy I，Németh B，Tikk D（2008）netflix prize问题的矩阵分解和基于邻居的算法。摘自：2008年ACM推荐系统会议记录。纽约ACM出版社，第267-274页 [113] Todorovski L，Blockeel H，Dzeroski S（2002）预测聚类树排名。摘自：欧洲机器学习会议记录·Zbl 1014.68798号 [114] Tsoumakas G，Katakis I（2007）《多标签分类：概述》。国际J数据仓库最低3（3）：1-13 [115] Van der Merwe A，Zidek J（1980）多元回归分析和典型变量。Can J统计8:27-39·兹比尔0499.62057 [116] Van Loan CF（2000）无处不在的克朗克产品。计算机应用数学杂志123（1-2）：85-100·Zbl 0966.65039号 [117] Van Peer G、Paepe AD、Stock M、Anckaert J、Volders PJ、Vandesompele J、Baets BD、Waegeman W（2017）miSTAR:miRNA靶点预测，通过在堆叠模型结构中建模定量和定性miRNA结合位点信息。核酸研究45:e51 [118] Vens C、Struyf J、Schietgat L、Dzeroski S、Blockel H（2008）分层多标签分类的决策树。马赫学习73（2）：185-214·Zbl 1470.62098号 [119] Vert JP，Qiu J，Noble WS（2007）使用支持向量机进行生物网络推理的新成对内核。BMC生物信息8（S-10）：1-10 [120] Volkovs M，Zemel RS（2012）《17个参数的协作排名》。主题：神经信息处理系统进展，第2303-2311页 [121] Waegeman W、Pahikkala T、Airola A、Salakoski T、Stock M、De Baets B（2012），从数据中学习分级关系的基于内核的框架。IEEE Trans Fuzzy系统20（6）：1090-1101 [122] Waegeman W，Dembczynski K，Jachnik A，Cheng W，Hüllermier E（2014）关于f-测度极大值的bayes-optimality。J Mach学习研究15:3333-3388·Zbl 1311.62011年 [123] Wang F，Wang X，Li T（2009）带任务正则化的半监督多任务学习。摘自：IEEE数据挖掘国际会议，第562-568页 [124] Wei Y，Xia W，Lin M，Huang J，Ni B，Dong J，Zhao Y，Yan S（2016）Hcp：多标签图像分类的灵活cnn框架。IEEE Trans-Pattern Ana Mach Intell38（9）：1901-1907 [125] Weston J、Chapelle O、Elisseeff A、Schölkopf B、Vapnik V（2002）《核依赖性估计》。主题：神经信息处理系统进展，英国，第873-880页 [126] Wicker J，Tyukin A，Kramer S（2016）使用自动编码器进行多标签分类的非线性标签压缩和转换方法。主题：知识发现和数据挖掘的进展：第20届亚太会议，2016年PAKDD，新西兰奥克兰 [127] Wolpert DH（1992）原始贡献：叠加概括。神经网络5（2）：241-259 [128] Wu L、Fisch A、Chopra S、Adams K、Bordes A、Weston J（2018）《星际空间：嵌入一切！参加：AAAI人工智能会议 [129] Xian Y、Akata Z、Sharma G、Nguyen QN、Hein M、Schiele B（2016）零快照分类的潜在嵌入。In:IEEE计算机视觉和模式识别会议，美国内华达州拉斯维加斯，第69-77页 [130] Xian Y、Lampert C、Schiele B、Akata Z（2018）零镜头学习：对好、坏和丑的综合评价。IEEE Trans-Pattern Ana Mach Intell公司。https://doi.org/10.1109/TPAMI.2018.2857768 [131] Xue Y，Liao X，Carin L，Krishnapuram B（2007）《Dirichlet过程先验分类的多任务学习》。J Mach学习研究8:35-63·Zbl 1222.68338号 [132] Yen IE，Huang X，Ravikumar P，Zhong K，Dhillon IS（2016）Pd-sparse：极值多类和多标签分类的原始和双重稀疏方法。摘自：第33届机器学习国际会议记录，美国纽约州纽约市，第3069-3077页 [133] Zhang Y，Schneider J（2011）使用典型相关分析的多标签输出码。In：人工智能的不确定性 [134] Zhang D，Shen D（2012）用于阿尔茨海默病多元回归和分类变量联合预测的多模式多任务学习。神经影像59（2）：895-907 [135] Zhang Y，Yeung D（2010）多任务学习中学习任务关系的凸公式。摘自：第26届人工智能不确定性会议记录，第733-742页 [136] Zhou J，Chen J，Ye J（2011a）基于交替结构优化的聚类多任务学习。领域：神经信息处理系统的进展 [137] Zhou J，Yuan L，Liu J，Ye J（2011b）预测疾病进展的多任务学习公式。In：Apté，Ghosh J，Smyth P（eds）ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM，第814-822页 [138] Zhou J，Liu J，Narayan VA，Ye J（2012a）通过融合稀疏群套索模拟疾病进展。摘自：第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集，美国纽约州纽约市ACM，KDD’12，第1095-1103页 [139] Zhou T，Shan H，Banerjee A，Sapiro G（2012b）核概率矩阵分解：利用图和边信息。摘自：第十二届SIAM数据挖掘国际会议，SIAM，第403-414页 [140] Zhou Z，Zhang M（2007）多实例多标签学习及其在场景分类中的应用。主题：神经信息处理系统进展，第19卷 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。