加速多标签特征提取的内核依赖最大化

多标签降维的内核依赖最大化(kMDDM)是近年来提出的一种处理高维多标签数据的方法。为了产生可判别的投影向量,kMDDM利用希尔伯特-施密特独立性准则来获取特征描述和相关标签之间的依赖关系。然而kMDDM的计算涉及到密集矩阵特征分解问题。众所周知,这对于大规模问题的计算成本很高。在文中将原kMDDM转化为最小二乘方问题从而利用共轭梯度算法来大大减少计算量。此外,还将有效正则化技术合并至最小二乘模型用以提高泛化性能并依据基准数据收集进行的大量试验来验证所提出的模型的有效性。