首页|融合样本相似性的弱监督多标签分类

融合样本相似性的弱监督多标签分类

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对面向实际应用场景中数据标签易残缺导致有监督多标签分类方法可用训练数据量减少,未能利用大量标签缺失数据中蕴含的样本特征空间关联知识以最大化判别间隔,限制多标签分类效果等问题,本文提出一种融合样本相似性的弱监督多标签分类方法.该方法利用标签相关性和样本相似性恢复标签以提高数据利用率,并将标签恢复嵌入到训练过程中以便挖掘标签相关性,通过近端加速梯度法进行参数优化,建立弱监督学习场景的多标签分类模型.在真实数据集上的实验结果表明,该方法能够利用样本相似性有效提升模型在标签残缺时的分类能力,实用价值大.
Weakly Supervised Multilabel Classification Combining Sample Similarity

罗森林、王海州、潘丽敏、孙晓光

展开 >

北京理工大学信息系统及安全对抗实验中心,北京100081

通号城市轨道交通技术有限公司,北京 100070

多标签分类 标签残缺 样本相似性

SQ2018YFC200004

2021

10.15918/j.tbit1001-0645.2020.117

北京理工大学学报
北京理工大学

北京理工大学学报

CSTPCDCSCD北大核心
影响因子：0.609
ISSN：1001-0645
年,卷(期)：2021.41(7)
  • 2
  • 17