基于双拉普拉斯正则化与因果推断的多标签学习

摘要：

标签特定特征是多标签学习的研究热点,利用标签特征提取解决单个例子存在多个类标签的问题.现有多标签分类研究通常只是简单考虑标签之间的相关性,忽略原始数据之间的局部流形结构,可能会造成分类精度下降.此外,在标签相关性中,特征和标签的结构关系以及标签之间的内在因果关系也往往被忽视.提出一种基于双拉普拉斯正则化与因果推断的多标签学习算法.利用线性回归模型建立多标签分类的基本框架,结合因果学习探索标签之间的内在因果关系,以达到挖掘标签之间本质联系的目的.在此基础上,为充分利用特征与标签之间的结构关系,加入双拉普拉斯正则化以挖掘局部标签关联信息以及有效保持原始数据的局部流形结构.在公共多标签数据集上验证该算法的有效性,实验结果表明,相比LLSF、ML-KNN、LIFT等算法,该算法的汉明损失、平均精度、1次错误率、排序损失、覆盖率、AUC平均提升8.82%、4.98%、9.43%、16.27%、12.19%、3.35%.

关键词：多标签分类、双拉普拉斯、标签相关性、流形结构、因果推断

所属期刊栏目：49

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;安徽省自然科学基金;安徽省教育厅重点项目;安徽大学博士研究基金项目

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：49-60