【目的】考虑到标记分布学习中标记之间具有层次结构关系,将层次标签结构引入标记分布学习,提升标记分布学习的效果。【方法】提出一种基于层次标签结构的标记分布学习算法(Hierarchy Label Distribution Learning Algorithm,H-LDL),根...【目的】考虑到标记分布学习中标记之间具有层次结构关系,将层次标签结构引入标记分布学习,提升标记分布学习的效果。【方法】提出一种基于层次标签结构的标记分布学习算法(Hierarchy Label Distribution Learning Algorithm,H-LDL),根据样本在各层次的标签,利用条件概率描述粗、细两个层次的结构关系,并通过层次加权损失函数及其优化策略调节层次间标记的准确分布。【结果】在两个公开数据集上进行实验,用了5个指标进行效果检测,其中,BU_3DFE数据集在Euclidean、Squared、K-L指标中较基线算法最低值分别降低了3.99%、1.07%、3.10%,Intersec和Fidelity指标较基线算法最高值分别提升了4.24%、0.67%,COMP数据集在Euclidean指标上降低了0.48%,在Squared、K-L指标未见明显降低,在Intersec和Fidelity指标上提升了0.45%、0.02%。【局限】仅考虑了标签之间粗层次和细层次两层结构关系,当标签具有其他更复杂的层次结构关系时需进一步研究。【结论】加入层次标签结构后标记分布误差有明显减小,有效提升了标记分布学习的效果。展开更多
文摘【目的】考虑到标记分布学习中标记之间具有层次结构关系,将层次标签结构引入标记分布学习,提升标记分布学习的效果。【方法】提出一种基于层次标签结构的标记分布学习算法(Hierarchy Label Distribution Learning Algorithm,H-LDL),根据样本在各层次的标签,利用条件概率描述粗、细两个层次的结构关系,并通过层次加权损失函数及其优化策略调节层次间标记的准确分布。【结果】在两个公开数据集上进行实验,用了5个指标进行效果检测,其中,BU_3DFE数据集在Euclidean、Squared、K-L指标中较基线算法最低值分别降低了3.99%、1.07%、3.10%,Intersec和Fidelity指标较基线算法最高值分别提升了4.24%、0.67%,COMP数据集在Euclidean指标上降低了0.48%,在Squared、K-L指标未见明显降低,在Intersec和Fidelity指标上提升了0.45%、0.02%。【局限】仅考虑了标签之间粗层次和细层次两层结构关系,当标签具有其他更复杂的层次结构关系时需进一步研究。【结论】加入层次标签结构后标记分布误差有明显减小,有效提升了标记分布学习的效果。
