弹性网络核极限学习机的多标记学习算法

摘要：

将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性.但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达.同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习,但结合弹性网络的极限学习机如何解决多标记问题鲜有研究.基于此,本文提出一种对核极限学习机添加弹性网络正则化的多标记学习算法.首先,对多标记数据特征空间使用径向基核函数映射;随后,对核极限学习机损失函数施加弹性网络正则项;最后,采用坐标下降法迭代求解输出权值以得到最终预测标记.通过对比试验和统计分析表明,提出的算法具有更好的性能表现.

关键词：多标记学习、核极限学习机、正则化、弹性网络、径向基函数、坐标下降法

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：安徽省高校重点科研项目KJ2017A352;安徽省高校重点实验室基金项目ACAIM160102

在线出版日期：2019-07-24（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：831-842