|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘要:针对多标签学习中如何有效挖掘利用高阶标签关联的问题,提出了一种基于标签关联的多标签演化超网络模型.该模型通过输入任意多标签学习方法的预测结果,利用超边表征挖掘高阶标签关联,并综合标签关联和特征信息作为最终的预测结果.与3种传统多标签学习方法在6个多标签数据集上的对比实验表明,本文提出模型不仅能够有效提升多个传统多标签学习方法的性能,而且能够提供具有良好可读性的学习结果.
: h7 b0 ^1 w5 @, v1 b6 L+ [3 k
X" l7 E/ O7 T! {- C3 C* J/ P" |4 V3 o0 M! [
关键词:机器学习;多标签学习;演化超网络;标签关联
# Q% ^( H: @3 S0 X3 U8 V, Y
6 m! [2 K _4 N. e
1 W9 j. r0 o1 N* R! ^9 E3 w. p( q7 a) x2 l1 H
传统有监督学习认为每个样本只有一个标签，但在现实应用中,事物往往具有复杂的语义信息.例如一副图片可能同时包括海洋、沙滩、天空等信息.在多标签学习( Multi-Label Learning)中,每个样本可能包含一个或多个标签,含有更多标签信息的样本能够更好的表现事物语义信息的多样性.多标签学习的任务包括多标签分类和标签排序两方面:前者旨在确定与测试样本关联的标签集合,而后者旨在根据所有标签与测试样本的关联度确定标签序列.近年来,多标签学习已逐渐成为机器学习及其相关领域的热点研究方向,广泛应用在图像与视频标注、文本分类、生物信息学、音乐情感分类13等多领域.) a; c1 M# b" \; }1 _. v: t
! M" s5 V& ^+ `7 u9 L
( w1 H# H0 y! c! J7 w7 d1 E
$ N' o+ a* x0 }/ W
; @8 M& N0 D6 L4 B1 o
- N+ x& m; C$ p* P) a
4 u/ }& I6 d) M6 z |
|
/1 
发表于 2021-6-17 09:24
收藏
淘帖
支持！
反对！