-
题名面向标记分布学习的标记增强
被引量:11
- 1
-
-
作者
耿新
徐宁
邵瑞枫
-
机构
东南大学计算机科学与工程学院
计算机网络和信息集成教育部重点实验室(东南大学)
软件新技术与产业化协同创新中心(南京大学)
无线通信技术协同创新中心(东南大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2017年第6期1171-1184,共14页
-
基金
国家自然科学基金优秀青年科学基金项目(61622203)
江苏省自然科学基金杰出青年基金项目(BK20140022)~~
-
文摘
多标记学习(multi-label learning,MLL)任务处理一个示例对应多个标记的情况,其目标是学习一个从示例到相关标记集合的映射.在MLL中,现有方法一般都是采用均匀标记分布假设,也就是各个相关标记(正标记)对于示例的重要程度都被当作是相等的.然而,对于许多真实世界中的学习问题,不同相关标记的重要程度往往是不同的.为此,标记分布学习将不同标记的重要程度用标记分布来刻画,已经取得很好的效果.但是很多数据中却仅包含简单的逻辑标记而非标记分布.为解决这一问题,可以通过挖掘训练样本中蕴含的标记重要性差异信息,将逻辑标记转化为标记分布,进而通过标记分布学习有效地提升预测精度.上述将原始逻辑标记提升为标记分布的过程,定义为面向标记分布学习的标记增强.首次提出了标记增强这一概念,给出了标记增强的形式化定义,总结了现有的可以用于标记增强的算法,并进行了对比实验.实验结果表明:使用标记增强能够挖掘出数据中隐含的标记重要性差异信息,并有效地提升MLL的效果.
-
关键词
多标记学习
标记分布学习
标记增强
逻辑标记
标记分布
-
Keywords
multi-label learning(MLL)
label distribution learning (LDL)
label enhancement
logical label
label distribution
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-