基于标记与特征依赖最大化的弱标记集成分类

摘要：

弱标记学习是多标记学习的一个重要分支,近几年已被广泛研究并被应用于多标记样本的缺失标记补全和预测等问题.然而,针对特征集合较大、更容易拥有多个语义标记和出现标记缺失的高维数据问题,现有弱标记学习方法普遍易受这类数据包含的噪声和冗余特征的干扰.为了对高维多标记数据进行准确的分类,提出了一种基于标记与特征依赖最大化的弱标记集成分类方法EnWL.EnWL首先在高维数据的特征空间多次利用近邻传播聚类方法,每次选择聚类中心构成具有代表性的特征子集,降低噪声和冗余特征的干扰;再在每个特征子集上训练一个基于标记与特征依赖最大化的半监督多标记分类器;最后,通过投票集成这些分类器实现多标记分类.在多种高维数据集上的实验结果表明,EnWL在多种评价度量上的预测性能均优于已有相关方法.

关键词：弱标记学习、高维数据、特征子集、依赖最大化、集成分类

所属期刊栏目：28

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61402378,61571163,61532014,61671189;重庆市基础与前沿研究项目cstc2014jcyjA40031,cstc2016jcyjA0351National Natural Science Foundation of China61402378,61571163,61532014,61671189;Natural Science Foundation of Chongqing Science and Technology Commissioncstc2014jcyjA40031,cstc2016jcyjA0351

在线出版日期：2017-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：2851-2864