.png){kind=icon}
返回
Integrating label confidence-based feature selection for partial multi-label learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2024.111281.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
部分多标签学习（PML）是一种新兴的学习范式，用于处理包含假阳性标签的候选标签集，并应对噪声标签和高维数据带来的负面影响。现有方法在原始特征空间中评估标签置信度，忽视了模糊特征和冗余特征的负面影响。为解决这一问题，我们提出了一种新颖的特征选择方法，即标签置信度特征选择-部分多标签（LCFS-PML）。该方法通过同时优化特征和标签来建立更优的映射关系。首先，通过结合共享相同标签的实例间的平均距离以及实例到聚类中心的距离，在各个标签的独特特征子空间中评估标签置信度。其次，利用优化后的更可靠的标签来指导特征空间的优化过程。在特征空间和标签空间的交替优化过程中，LCFS-PML有效缓解了噪声标签、模糊特征和冗余特征的负面影响，最终识别出每个标签的最优特征子集。在九个基准数据集上的比较实验表明，所提出的方法表现出显著的优势。
Keyword:
Partial multi-label learning
Feature selection
Label confidence
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Fast Multilabel Feature Selection via Global Relevance and Redundancy Optimization基于全局相关性和冗余优化的快速多标签特征选择
PREAI
分享收藏Multi-label feature selection via robust flexible sparse regularization基于鲁棒柔性稀疏正则化的多标签特征选择.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
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PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏ML-KNN: A lazy learning approach to multi-label leamingMl-knn: 一种多标签学习的懒惰学习方法PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容