融合样本相似性的弱监督多标签分类

摘要：

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.

关键词：多标签分类;标签残缺;样本相似性

所属期刊栏目：41

分类号：TP391(计算技术、计算机技术)

资助基金：国家"十三五"科技支撑计划项目SQ2018YFC200004

在线出版日期：2021-08-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：745-751