程玉胜^1,2, 张露露¹, 王一宾^1,2, 裴根生¹

¹（安庆师范大学计算机与信息学院 安徽安庆 246133）；²（计算智能与信号处理教育部重点实验室(安徽大学) 合肥 230601) (chengyshaq@163.com)

出版日期: 2021-01-01


基金资助:国家自然科学基金面上项目(61702012)；计算智能与信号处理教育部重点实验室(安徽大学)项目(2020A003)

Label-Specific Features Learning for Feature-Specific Labels Association Mining

Cheng Yusheng^1,2, Zhang Lulu¹, Wang Yibin^1,2, Pei Gensheng¹

¹（School of Computer and Information, Anqing Normal University, Anqing, Anhui 246133）；²（Key Laboratory of Intelligent Computing & Signal Processing (Anhui University), Ministry of Education, Hefei 230601)

Online: 2021-01-01


Supported by:This work was supported by the General Program of the National Natural Science Foundation of China(61702012) and the Fund of Key Laboratory of Intelligent Computing & Signal Processing(Anhui University), Ministry of Education (2020A003).

摘要/Abstract

摘要： 在多标记分类中，某个标记可能只由其自身的某些特有属性决定，这些特定属性称之为类属属性.利用类属属性进行多标记分类，可以有效避免某些无用特征影响构建分类模型的性能.然而类属属性算法仅从标记角度去提取重要特征，而忽略了从特征角度去提取重要标记.事实上，如果能从特征角度提前关注某些标记，更容易获取这些标记的特有属性.基于此，提出了一种新型类属属性学习的多标记分类算法，将从特征层面提取重要标记与从标记层面提取重要特征进行双向联合学习.首先，为了保证模型求解速度与精度都较为合理，采用极限学习机构建学习模型.随后，将弹性网络正则化理论添加到极限学习机损失函数中，使用互信息构建特征标记相关性矩阵作为L\-2正则化项，而L\-1正则化项即提取类属属性.该学习模型改进了类属属性在多标记学习中的不足，通过在标准多标记数据集上与多个先进算法对比，实验结果表明了所提模型的合理性和有效性.

参考文献

相关文章 7

[1]	吴建盛，冯巧遇，袁京洲，胡海峰，周家特，高昊. 基于快速多示例多标记学习的G蛋白偶联受体生物学功能预测[J]. 计算机研究与发展, 2018, 55(8): 1674-1682.
[2]	欧阳建权,周勇,唐欢容. 基于Storm的在线序列极限学习机的气象预测模型[J]. 计算机研究与发展, 2017, 54(8): 1736-1743.
[3]	耿新,徐宁,邵瑞枫. 面向标记分布学习的标记增强[J]. 计算机研究与发展, 2017, 54(6): 1171-1184.
[4]	李宇峰 黄圣君 周志华. 一种基于正则化的半监督多标记学习方法[J]. , 2012, 49(6): 1272-1278.
[5]	张敏灵. 一种新型多标记懒惰学习算法[J]. , 2012, 49(11): 2271-2282.
[6]	孔祥南 黎 铭 姜 远 周志华. 一种针对弱标记的直推式多标记分类方法[J]. , 2010, 47(8): 1392-1399.
[7]	姜 远 佘俏俏 黎 铭 周志华. 一种直推式多标记文档分类方法[J]. , 2008, 45(11): 1817-1823.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4327