面向标记分布学习的标记增强

耿新; 徐宁; 邵瑞枫

doi:10.7544/issn1000-1239.2017.20170002

面向标记分布学习的标记增强

(东南大学计算机科学与工程学院南京 211189) (计算机网络和信息集成教育部重点实验室(东南大学) 南京 211189) (软件新技术与产业化协同创新中心(南京大学) 南京 210093) (无线通信技术协同创新中心(东南大学) 南京 211189) (xgeng@seu.edu.cn)

基金项目: 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)

详细信息

中图分类号: TP391
计量
- 文章访问数: 2537
- HTML全文浏览量: 6
- PDF下载量: 1415
出版历程
- 发布日期: 2017-05-31

Label Enhancement for Label Distribution Learning

(School of Computer Science and Engineering, Southeast University, Nanjing 211189) (Key Laboratory of Computer Network and Information Integration (Southeast University), Ministry of Education, Nanjing 211189) (Collaborative Innovation Center of Novel Software Technology and Industrialization (Nanjing University), Nanjing 210093) (Collaborative Innovation Center of Wireless Communications Technology (Southeast University), Nanjing 211189)

摘要

摘要: 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.
- 多标记学习 /
- 标记分布学习 /
- 标记增强 /
- 逻辑标记 /
- 标记分布
Abstract: Multi-label learning (MLL) deals with the case where each instance is associated with multiple labels. Its target is to learn the mapping from instance to relevant label set. Most existing MLL methods adopt the uniform label distribution assumption, i.e., the importance of all relevant (positive) labels is the same for the instance. However, for many real-world learning problems, the importance of different relevant labels is often different. For this issue, label distribution learning (LDL) has achieved good results by modeling the different importance of labels with a label distribution. Unfortunately, many datasets only contain simple logical labels rather than label distributions. To solve the problem, one way is to transform the logical labels into label distributions by mining the hidden label importance from the training examples, and then promote prediction precision via label distribution learning. Such process of transforming logical labels into label distributions is defined as label enhancement for label distribution learning. This paper first proposes the concept of label enhancement with a formal definition. Then, existing algorithms that can be used for label enhancement have been surveyed, and compared in the experiments. Results of the experiments reveal that label enhancement can effectively discover the difference of the label importance hidden in the data, and improve the performance of multi-label learning.
- multi-label learning (MLL) /
- label distribution learning (LDL) /
- label enhancement /
- logical label /
- label distribution

HTML全文

参考文献(0)

施引文献(11)

期刊类型引用(7)

1.	李曼文，张月琴，张晨威，张泽华. 异质图嵌入的地理不敏感时空兴趣点推荐方法. 计算机科学与探索. 2024(03): 755-767 . 百度学术
2.	金柯君，于洪涛，吴翼腾，李邵梅，张建朋，郑洪浩. 改进的基于奇异值分解的图卷积网络防御方法. 计算机应用. 2023(05): 1511-1517 . 百度学术
3.	王小红，刘琴. 基于深度迁移的有向加权网络节点重叠检测. 计算机仿真. 2023(09): 492-496 . 百度学术
4.	金柯君，于洪涛，李邵梅，张建朋. 基于注意力机制的图卷积网络防御方法. 信息工程大学学报. 2023(06): 718-724 . 百度学术
5.	杨旭华，王磊，叶蕾，张端，周艳波，龙海霞. 基于节点相似性和网络嵌入的复杂网络社区发现算法. 计算机科学. 2022(03): 121-128 . 百度学术
6.	刘志鑫，张泽华，张杰. 基于多层次多视角的图注意力Top-N推荐方法. 计算机科学. 2021(04): 104-110 . 百度学术
7.	陈晋音，黄国瀚，张敦杰，张旭鸿，纪守领. 一种面向图神经网络的图重构防御方法. 计算机研究与发展. 2021(05): 1075-1091 . 本站查看