|
|
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.( A Z( K6 T+ ^5 E# u6 ~. {8 H
6 n. e$ v; d6 |( t6 v* H
3 [) b3 ]. w+ p* b0 Q
关键词:机器学习;多标签学习;演化超网络;标签关联
& w) Q& z5 Z- a! H5 I# f
- g7 u( h0 a8 e( z! U: d
7 ?7 v' _ e! r. q3 b# F: J2 r( ]
; Y& k2 o- I& r7 b" B9 J 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. V: O4 `5 q3 w. J
/ e+ K& L @+ P9 @/ C3 y3 s3 B! M1 P, T
& l3 h& b0 j' U# ~6 Q
+ U4 I" B/ H) Q- J" Q% b' W( K! z% A- B. ^8 O6 [$ U" P, ] l
& u$ D# G6 i: B) n9 f |
|
/1 
发表于 2021-6-17 09:24
收藏
淘帖
支持！
反对！