主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
何志芬,杨明,刘会东.多标记分类和标记相关性的联合学习.软件学报,2014,25(9):1967-1981
多标记分类和标记相关性的联合学习
Joint Learning of Multi-Label Classification and Label Correlations
投稿时间:2014-01-29  修订日期:2014-04-22
DOI:10.13328/j.cnki.jos.004634
中文关键词:  多标记学习  多标记分类  标记相关性  条件依赖网络  再生核希尔伯特空间  交替求解
英文关键词:multi-label learning  multi-label classification  label correlations  conditional dependency network  reproducing kernel Hilbert space  alternating solution
基金项目:国家自然科学基金(61272222, 61003116); 江苏省自然科学基金(BK2011782, BK2011005)
作者单位E-mail
何志芬 南京师范大学 数学科学学院, 江苏 南京 210023
南京师范大学 计算机科学与技术学院, 江苏 南京 210023 
 
杨明 南京师范大学 数学科学学院, 江苏 南京 210023
南京师范大学 计算机科学与技术学院, 江苏 南京 210023 
m.yang@njnu.edu.cn 
刘会东 南京师范大学 计算机科学与技术学院, 江苏 南京 210023  
摘要点击次数: 3011
全文下载次数: 2924
中文摘要:
      提出了多标记分类和标记相关性的联合学习(JMLLC),在JMLLC中,构建了基于类别标记变量的有向条件依赖网络,这样不仅使得标记分类器之间可以联合学习,从而增强各个标记分类器的学习效果,而且标记分类器和标记相关性可以联合学习,从而使得学习得到的标记相关性更为准确.通过采用两种不同的损失函数:logistic回归和最小二乘,分别提出了JMLLC-LR(JMLLC with logistic regression)和JMLLC-LS(JMLLC with least squares),并都拓展到再生核希尔伯特空间中.最后采用交替求解的方法求解JMLLC-LR和JMLLC-LS.在20个基准数据集上基于5种不同的评价准则的实验结果表明,JMLLC优于已提出的多标记学习算法.
英文摘要:
      In this paper, joint learning of multi-label classification and label correlations (JMLLC) is proposed. In JMLLC, a directed conditional dependency network is constructed based on class label variables. This not only enables joint learning of independent label classifiers to enhance the performance of label classifiers, but also allows joint learning of label classifiers and label correlations, thereby making the learned label correlations more accurate. JMLLC-LR (JMLLC with logistic regression) and JMLLC-LS (JMLLC with least squares), are proposed respectively by adopting two different loss functions: logistic regression and least squares, and are both extended to the reproducing kernel Hilbert space (RKHS). Finally, both JMLLC-LR and JMLLC-LS can be solved by alternating solution approaches. Experimental results on twenty benchmark data sets based on five different evaluation criteria demonstrate that JMLLC outperforms the state-of-the-art MLL algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利