摘要
在多标记学习的任务中,多标记学习的每个样本可被多个标签标记,比单标记学习的应用空间更广关注度更高,多标记学习可以利用关联性提高算法的性能.在多标记学习中,传统特征选择算法已不再适用,一方面,传统的特征选择算法可被用于单标记的评估标准.多标记学习使得多个标记被同时优化;而且在多标记学习中关联信息存在于不同标记间.因此,可设计一种能够处理多标记问题的特征选择算法,使标记之间的关联信息能够被提取和利用.通过设计最优的目标损失函数,提出了基于指数损失间隔的多标记特征选择算法.该算法可以通过样本相似性的方法,将特征空间和标记空间的信息融合在一起,独立于特定的分类算法或转换策略.优于其他特征选择算法的分类性能.在现实世界的数据集上验证了所提算法的正确性以及较好的性能.
国家科技期刊平台
NSTL
维普
万方数据