利用标签相关性先验的弱监督多标签学习方法

作     者：欧阳宵 陶红 范瑞东 矫媛媛 侯臣平 OUYANG Xiao;TAO Hong;FAN Rui-Dong;JIAO Yuan-Yuan;HOU Chen-Ping

作者机构：国防科技大学文理学院湖南长沙410073 国防科技大学系统工程学院湖南长沙410073 

基　　金：国家自然科学基金(61922087,61906201,62006238,62136005) 湖南省杰出青年基金(2019JJ20020) 

出 版 物：《软件学报》 (Journal of Software)

年 卷 期：2023年第34卷第4期

页      码：1732-1748页

摘      要：多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.

主 题 词：多标签学习 弱监督学习 标签相关性 先验信息 完全缺失标签 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.13328/j.cnki.jos.006703

馆 藏 号：203120981...