基于间隔准则的优化排序多标记学习算法

摘要：

针对多标记学习分类问题,算法适应方法将其转化为排序问题,并将输出标记按照其与示例的相关性进行排序,该类方法取得了较好的分类效果.基于间隔准则提出一种多标记学习算法,通过优化模型在示例的相关标记集合中最小输出与不相关标记集合中最大输出的间隔损失来进行标记排序.在此基础上,为充分利用全部标记信息,提出一种改进的优化排序多标记学习算法,分别优化模型在示例的相关标记集合中平均输出与不相关标记集合中最大输出的间隔损失,以及优化模型在相关标记集合中最小输出与不相关标记集合中平均输出的间隔损失,从而实现标记排序.在模型的参数学习过程中,使用改进的次梯度Pegasos算法进行优化.将所提2种算法与ML-RBF、BP-MLL、ML-KNN多标记学习算法在4个多标记数据集上进行对比实验,结果表明,在HL、RL等5种不同的评价准则下,2种算法均能与对比算法取得相近的分类性能.

关键词：多标记学习、算法适应、标记排序、平均输出、间隔准则、Pegasos算法

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：全国统计科学研究项目“海量数据下半参数测量误差模型的统计建模和应用”2018LD01

在线出版日期：2020-07-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：104-109