|
|
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.$ [6 {& |/ ?- |# ~4 e! b
7 z; |9 z. H( p% P) K/ l1 f) o9 v5 T( X+ `4 O/ p7 }
关键词:机器学习;多标签学习;演化超网络;标签关联0 u+ o9 i% D! C) j8 w
5 i G: W. v: c
4 c6 Z8 Z/ \1 G% M% ?+ [- ]1 W( j" C
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.
6 s6 B+ r& O9 z, g5 ^: a: [
" \1 Y8 `4 P, `, S4 r
7 f. ~: z. N+ ^) w# [6 L/ V+ r1 X) p5 ~
& _0 W& w/ ~- n E' X9 i2 e' s/ C/ f$ E0 }5 E) f4 |$ ^" O- X
% [3 P) K V; \6 D4 m" R/ O. ? |
|
/1 
发表于 2021-6-17 09:24
收藏
淘帖
支持！
反对！