.png){kind=icon}
返回
Feature selection for label distribution learning based on embedding mutual information optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03221-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
标签分布学习是一种处理标签模糊问题的有效学习范式，但仍然面临高维特征空间带来的挑战。以稀疏学习为代表的嵌入式特征选择算法是解决这一挑战的有效途径。然而，这些方法往往忽略了特征与标签之间的复杂非线性依赖关系以及特征间的固有冗余。为解决这些问题，本文提出了一种基于嵌入式互信息优化的标签分布学习特征选择方法（FSEMI）。该方法采用互信息作为理论工具，系统评估特征间以及特征与标签间的相关性，并以此为先验知识指导模型在最大化特征-标签依赖性的同时有效抑制特征冗余。此外，该方法引入$$L_{2,1}$$-范数以识别跨标签共享的关键特征。在十二个标签分布数据集上的广泛实验表明，所提出的方法在标签分布学习的特征选择方面优于当前最先进的方法。
Keyword:
Label distribution learning
Mutual information
\(L_{2,1}\)-norm
Feature selection
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
暂无机构信息
引用论文
分享收藏
A unified low-order information-theoretic feature selection framework for multi-label learning用于多标签学习的统一低阶信息论特征选择框架.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容