样本稀疏表达的标记分布学习算法

摘要：

针对传统标记分布学习算法借助标记的全局相关性信息,忽略仅存于部分样本范围内标记局部相关性的问题,提出了一种基于样本稀疏表达的标记分布学习算法.借助样本点的自表达性质,建立稀疏表达优化模型,挖掘样本局部相关性信息.通过设计的标记分布目标函数约束,将得到的稀疏系数引入标记空间中,并将其作为隐含的标记空间局部相关性预测值,帮助标记分布模型的训练.使用交替方向乘子法求解样本稀疏系数,使用有限内存拟牛顿法求解标记分布目标函数,通过最大熵模型生成实例的标记分布预测值.在11个真实数据集上进行实验,并与7个现有标记分布学习算法进行对比.结果 表明:所提算法在不同评价指标下的55次对比实验中取得了1.52的平均排名;面部表情数据集SBU-3DFE上,以相对熵衡量的表情判别准确度较标记分布学习问题转换算法PT-SVM、适应性算法AA-kNN及专用算法LDLLC的分别提高了3.10％、2.53％、2.48％;与传统标记分布学习算法相比,所提算法能够有效挖掘并利用标记局部相关性,具有良好的标记分布预测精度,且在不同类型的真实数据集上均能表现稳定.

关键词：标记分布学习、稀疏表达、最大熵模型

所属期刊栏目：54

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61902310

在线出版日期：2020-12-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：139-148