基于柔性神经树的多标签学习方法

深度神经网络在当下各领域的研究中都表现出极为突出的性能优势。但传统神经网络模型在处理多标签学习任务中面临的一系列问题,使其往往难以取得较好的预测精度。建立自适应强且可扩展多标签学习方法,是当前多标签学习领域的研究重点。在此提出了一种新的多标签学习方法,不单独处理任何一类标签,而是把样本的全部标签看作一个整体,对其进行编码,使用柔性神经树进行分类,进而将其拓展到处理多标签学习任务,对分类结果做译码。该方案既没有破坏样本多标签间的相关性,又是柔性神经树模型在多标签学习中的首次应用。在两类多标签蛋白质数据集上的实验结果表明,与其他常用多标签学习模型相比,提出的多标签学习方法能够在较大程度上提升多标签学习性能。