多标签学习
多标签学习的相关文献在2012年到2022年内共计158篇,主要集中在自动化技术、计算机技术、生物化学、无线电电子学、电信技术
等领域,其中期刊论文92篇、会议论文5篇、专利文献126865篇;相关期刊50种,包括科学技术与工程、计算机工程、计算机工程与科学等;
相关会议5种,包括第七届社会计算会议、2014湖北省计算机学会学术年会、中国运筹学会第十四次学术年会等;多标签学习的相关文献由413位作者贡献,包括王进、程玉胜、邓欣等。
多标签学习—发文量
专利文献>
论文:126865篇
占比:99.92%
总计:126962篇
多标签学习
-研究学者
- 王进
- 程玉胜
- 邓欣
- 王一宾
- 孙开伟
- 曹天成
- 赵大卫
- 陈乔松
- 黄睿
- 钱坤
- 马盈仓
- 严严
- 亢浏越
- 何旭东
- 余孟池
- 余薇
- 兰伟
- 刘勇国
- 刘彬
- 刘晓玲
- 刘柏嵩
- 刘玮
- 刘红
- 刘蓉
- 司进修
- 吴喆君
- 吴承凯
- 吴永春
- 周代英
- 周天舒
- 夏翠萍
- 姚捃
- 宿富林
- 巩小强
- 廖阔
- 张夏欢
- 张奕鹏
- 张娟
- 张子凯
- 张志军
- 张晨光
- 张燕
- 张磊
- 张莹
- 张要
- 徐功文
- 徐建
- 景丽萍
- 朱恒东
- 朱磊
-
-
赵鹏飞;
刘华
-
-
摘要:
在现代创伤救治中,根据患者伤情进行合理而准确的院前评估并制定相应的救治决策对降低患者伤残率与死亡率具有重要意义。为了改善人工制定决策的缺陷,实现准确合理的标准化创伤救治决策制定,本文利用多标签学习思想,在对创伤救治决策进行深入分析与研究的基础上,将整体救治决策进行子决策划分,并提取出子决策对应的判定因素作为标签集。为了更好地考虑标签间的关联,将Classifier Chains算法的链式思想与多标签K近邻(Multi-label K-nearest neighbor,ML-KNN)算法融合,提出一种层链多标签学习算法,称为层链多标签K近邻算法(Layer chain ML-KNN,LCML-KNN)。LCML-KNN算法将标签依特点划分为两个层链,在第一层链的预测标签信息输出后对其进行独热编码,转化后的标签看作新特征放入第二层链进行预测与判断。LCML-KNN算法不仅更好地考虑了标签间的关联性,而且通过标签转化扩充了特征维数。在两个创伤类数据集上与现有各类多标签算法进行实验对比,结果验证了LCML-KNN算法的鲁棒性和优越性。
-
-
张要;
马盈仓;
朱恒东;
李恒;
陈程
-
-
摘要:
对于多标签特征选择算法,通常假设数据与标签间呈现某种关系,以该关系为基础并通过正则项的约束可解决多标签特征选择问题,但该关系也可能是两种或多种关系的结合。为准确描述数据与标签间的关系并去除不相关的特征和冗余特征,基于logistic回归模型与标签流形结构提出多标签特征选择算法FSML。使用logistic回归模型的损失函数学习回归系数矩阵,利用标签流形结构学习数据特征的权重矩阵,通过L;-范数将系数矩阵和权重矩阵进行柔性结合,约束系数矩阵与权重矩阵的稀疏性并实现多标签特征选择。在经典多标签数据集上的实验结果表明,与CMLS、SCLS等特征选择算法相比,FSML算法在汉明损失、排名损失、1-错误率、覆盖率、平均精度等5个性能评价指标上表现良好,能更准确地描述数据与标签间的关系。
-
-
王庆鹏;
高清维;
卢一相;
孙冬
-
-
摘要:
现有的多标签学习算法往往只侧重于实例空间到标签空间的正向投影,正向投影时由于特征维数降低所产生的实例空间信息丢失的问题往往被忽略。针对以上问题,提出一种基于双向映射学习的多标签分类算法。首先,利用实例空间到标签空间的正向映射损失建立线性多标签分类模型;然后,在模型中引入重构损失正则项构成双向映射模型,补偿由于正向映射时导致的鉴别信息的丢失;最后,将双向映射模型结合标签相关性和实例相关性充分地挖掘标签之间、实例之间的潜在关系,并利用非线性核映射提高模型对非线性数据的处理能力。实验结果表明,与近年来的其他几种方法相比,该方法在汉明损失、一次错误率和排序损失上的性能平均提升17.68%、17.01%、18.57%;在六种评价指标上的性能平均提升了12.37%,验证了模型的有效性。
-
-
钱龙;
赵静;
韩京宇;
毛毅
-
-
摘要:
多标签学习是机器学习领域的一个研究热点,其能够有效解决真实世界中的多语义问题。在多标签学习任务中,样本的多个标签之间存在一定的关联关系,忽略标签间的相关性会导致模型的泛化性能降低。提出一种基于标签间相关性的多标签学习K近邻算法。充分挖掘样本多标签间的相关性,通过Fp_growth算法得到标签的频繁项集。针对频繁项和标签分别构建评分模型和阈值模型,评分模型用于衡量样本与频繁项或标签之间的关联程度,阈值模型用于求解频繁项或标签对应的判别阈值,结合评分模型和阈值模型对样本所属频繁项进行预测,进而确定样本标签集。在经典数据集Emotions和Scene上的实验结果表明,该算法的F1-Measure指标分别达到66.6%和73.3%,相比CC、LP、RAKEL、MLDF等基准方法,其F1-Measure分别平均提高3.8和2.1个百分点,该算法通过合理利用标签间的相关性使得分类性能得到有效提升。
-
-
汪敏;
冯婷婷;
闵帆;
唐洪明;
闫建平;
廖纪佳
-
-
摘要:
针对页岩气储层数据获取困难、标签稀缺、标注成本高昂的问题,提出一种多标准主动查询的多标签学习(MAML)算法。首先,考虑样本的信息性和代表性来对样本进行初步处理;其次,加入包括属性差异性和标签丰富性的样本丰富性约束,在此基础上选择有价值的样本进行标签查询;最后,利用多标签学习算法来预测剩余样本的标签。通过11个Yahoo数据集上的实验,将MAML算法与流行的多标签学习算法和主动学习算法进行比较,验证了MAML算法的优越性。然后将实验扩展到4个真实的页岩气测井数据集。在该实验中,与多标签学习算法:基于K最近邻的多标签(ML-KNN)学习方法、多标签学习的反向传播(BP-MLL)算法、具有全局和局部标签相关性的多标签学习方法(GLOCAL)和通过查询信息性和代表性样本的主动学习(QUIRE)方法相比,MAML算法在页岩气储层综合品质预测精度均值上分别提升了45个百分点、68个百分点、68个百分点和51个百分点。实验结果充分验证了MAML算法在页岩气储层甜点预测领域的实用性和优越性。
-
-
武中华
-
-
摘要:
传统的人脸表情识别方法主要针对六类基本人脸表情,但在现实场景下,存在更加丰富的由基本人脸表情组合而成的复合人脸表情,原先识别基本人脸表情的工作难以去识别复合人脸表情,并且复合人脸表情的数据集缺乏足够的训练数据.针对该问题,提出基于图卷积多标签学习的复合人脸表情识别方法.通过特征提取网络提取到人脸表情的全局特征和感兴趣区域的局部特征,使用基本和复合人脸表情之间的先验知识和数据驱动方式,构建出表情类别关系图,利用图卷积网络来学习到表情类别分类器,最后进行复合人脸表情识别.在RAF-DB和Emotio Net数据集上的实验结果表明,与VGG19和ResNet50等方法相比,该方法可以使得复合人脸表情识别率取得约4%~5%的提升.
-
-
姚树婧;
张立言;
李星燃
-
-
摘要:
现有的人脸属性识别方法或采用属性分组的方式提取特征,或计算属性共现概率构造静态属性关系图.前者学习的属性间互补信息不充足,且无法确定组间属性的相关性和属性间的相关程度;后者在人脸图像出现偶然共现属性对时存在偏差,可能会降低模型的通用性.为解决上述问题,提出一种结合特征解耦和静动态联合图卷积网络的人脸属性识别方法.首先使用深度卷积神经网络ResNet-50提取包含属性表示信息的特征;然后设计特征解耦模块,学习得到每种属性对应的特定特征;最后联合属性关系的静态图和动态图,通过图卷积网络学习属性之间的相关性并使用一维卷积层识别人脸属性.在CelebA和LFWA数据集上进行验证,所提方法的平均准确率分别达到91.85%和88.17%,优于许多已有的方法.
-
-
程南江;
余贞侠;
陈琳;
乔贺辙
-
-
摘要:
当前行人属性识别(PAR)公开数据集中属性标注繁杂且采集场景多样,各数据集中行人属性差异较大,进而导致公开数据库已有的标记信息数据难以直接应用到PAR实际问题中。针对上述问题,提出一种基于领域自适应的多源多标签PAR方法。首先通过领域自适应方法对样本进行特征对齐完成多个数据集之间的统一风格转换;接着提出多属性one-hot编码加权算法,将多数据集中共有属性的标签对齐;最后结合多标签半监督损失函数,进行跨数据集联合训练以提高属性识别准确率。通过所提出的特征对齐和标签对齐算法,可有效解决PAR多数据集中属性异构性问题。将三个行人属性数据集PETA、RAPv1和RAPv2分别与PA-100K数据集对齐后的实验结果表明,所提出的方法对比StrongBaseline在平均准确率上分别提升了1.22、1.62和1.53个百分点,说明该方法在跨数据集PAR中具有一定的优势。
-
-
吴喆君;
黄睿
-
-
摘要:
针对基于稀疏回归的多标签特征选择方法中数据的特征和标签之间线性关系假设不成立的问题,提出一种基于依赖最大化和稀疏回归的多标签特征选择方法(multi-label feature selection with dependence maximization and sparse regression,DMSR)。构建数据的低维子空间,最大化低维空间与数据的标签空间之间的依赖性,使用希尔伯特-施密特独立性准则作为依赖性的计算依据,将数据从特征空间映射到该低维空间,设计一种交替优化的算法对稀疏回归模型进行求解,得到用于特征选择的投影矩阵。在多个不同类型的多标签数据集上的实验结果表明,所提算法的性能优于其它对比算法。
-
-
吴喆君;
黄睿
-
-
摘要:
多标签特征选择能够有效去除冗余特征并提升分类精度,是解决“维数灾难”问题的有效方法.然而,已有的多标签特征选择算法是对所有标签选择出相同的特征,忽略了标签与特征之间的内在联系.事实上,每个标签都具有反映该标签特有属性的特征,即类属特征.提出一种基于图拉普拉斯的多标签类属特征选择(multi-label label-specific feature selection based on graph Laplacian,LSGL)算法.对于每个类别标签,基于拉普拉斯映射获得数据的低维嵌入,再通过稀疏正则化获得数据空间到嵌入空间的投影矩阵,接着通过分析矩阵系数确定每个标签相应的类属特征,最后使用类属特征进行分类.在5个公共多标签数据集上的多标签特征选择与分类实验结果证明了所提算法的有效性.
-
-
-
徐岩
- 《中国运筹学会第十四次学术年会》
| 2018年
-
摘要:
蛋白质合成后期的一个重要生化反应,大多数蛋白质需要经过修饰进而行驶其生物功能。修饰类型多,现在发现的有350多种,常见的有几十种。异常修饰或者过多修饰跟很多疾病相关联;例如帕金森,衰老和癌症。实验上逐条鉴定修饰位点成本高,耗时费力。通过计算快速、准确地识别这些位点大大缩小实验范围,为实验提供候选蛋白.
-
-
CAI Zhi-ling;
蔡志铃;
ZHU William;
祝峰
- 《第七届社会计算会议》
| 2015年
-
摘要:
多标签学习是处理每个样本同时属于多个标签的数据.在多标签学习中,数据降维是一项重要而又具有挑战性的任务.特征选择是通过保持最大相关信息选取一个特征子集,它是一种高效的数据降维技术.考虑样本相似性的最小偏差,提出一种新的多标签特征选择方法.首先,由于多标签结构的特殊性可以得出一个样本相似性矩阵;其次,通过标签空间和特征空间的依赖关系构造优化目标函数;继而,提出特征排序算法和贪婪算法;最后,实验结果表明,提出的算法具有很好的特征选择性能.
-
-
Cheng Yu-sheng;
程玉胜;
Qian Kun;
钱坤;
Wang Yi-bing;
王一宾;
Zhao Da-wei;
赵大卫
- 《第六届中国计算机学会大数据学术会议》
-
摘要:
近年来,在多标签分类中标签相关性研究成为热点之一.针对已有的基于k近邻的多标签相关性算法未充分考虑样本分布的问题进行了研究,即算法在利用近邻标签时因仅考虑了近邻标签相关性信息,这可能会使算法的鲁棒性有所降低.基于此,引入萤火虫方法(Firefly Algorithm),将相似度信息与标签信息相结合,提出一种融合萤火虫方法的多标签懒惰学习算法(FF-IMLLA).首先,利用Minkowski距离来度量相似度,从而找到近邻点.然后,使用萤火虫方法对标签计数向量进行改进.最后,分别使用奇异值分解与核极限学习机进行线性分类.FF-IMLLA算法在考虑了标签信息与相似度信息从而提高了算法的鲁棒性.提出的算法在公开的多个基准多标签数据集中的实验结果表明,该算法较其他对比的多标签学习算法有一定优势,使用统计假设检验与稳定性分析进一步说明所提出算法的合理性与有效性.
-
-
LI Shu-ling;
李书玲;
LIU Rong;
刘蓉;
LIU Hong;
刘红
- 《2014湖北省计算机学会学术年会》
| 2014年
-
摘要:
针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huffman树来选取初始聚类中心以防k均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.
-
-
LI Shu-ling;
李书玲;
LIU Rong;
刘蓉;
LIU Hong;
刘红
- 《2014湖北省计算机学会学术年会》
| 2014年
-
摘要:
针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huffman树来选取初始聚类中心以防k均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.
-
-
LI Shu-ling;
李书玲;
LIU Rong;
刘蓉;
LIU Hong;
刘红
- 《2014湖北省计算机学会学术年会》
| 2014年
-
摘要:
针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huffman树来选取初始聚类中心以防k均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.
-
-
LI Shu-ling;
李书玲;
LIU Rong;
刘蓉;
LIU Hong;
刘红
- 《2014湖北省计算机学会学术年会》
| 2014年
-
摘要:
针对已有的RBF神经网络多标签算法未充分考虑多个样本标签之间的关联性,从而导致泛化性能受到一定影响的问题,研究分析了一种改进型RBF神经网络的多标签算法.该算法首先优化隐含层RBF神经网络基函数中心求取算法——k-均值聚类.采用AP聚类自动寻找k值以获得隐含层节点数目,并构造Huffman树来选取初始聚类中心以防k均值聚类结果陷入局部最优.然后构造体现标签类之间信息的标签计数向量C,并将其与由优化k-均值聚类得到的聚类中心进行线性叠乘,进而改进RBF神经网络基函数中心,建立RBF神经网络.在公共多标签数据集emotion上的实验表明了该算法能够有效地进行多标签分类.