.png){kind=icon}
返回
A novel multi-label stacked ensemble method based on triple regularization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.116193.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
堆叠集成方法已成为解决多标签分类问题的有效手段。然而，现有的多标签堆叠集成方法通常存在两大主要局限性。一方面，在元特征剪枝过程中可能会丢失潜在的判别信息。另一方面，标签空间中局部流形结构的学习通常不足，最终降低了元分类器的分类性能。为解决这些问题，本文提出了一种基于三重正则化的多标签堆叠集成方法（MSTR）。首先，引入了一种元特征选择方法，该方法在保留所有特征贡献的同时抑制非信息特征对元分类器训练的负面影响，从而避免潜在判别信息的丢失。其次，设计了一种元特征多样性增强机制，以最大化不同标签下基分类器权重向量之间的差异，有效减少元特征空间中的冗余。最后，提出了局部标签相关性策略，将标签的局部流形结构融入元分类器的预测过程，进一步提高分类性能。将MSTR与八种最先进方法进行的广泛实验比较表明，MSTR在Accuracy、F1、Ranking Loss、Macro-F1和Micro-F1方面均取得了最佳平均性能，从而验证了所提出方法的有效性。
Keyword:
Machine learning
Multi-label classification
Stacked ensemble
Meta features
Local label correlations
