.png){kind=icon}
返回
Joint Multilabel Classification With Community-Aware Label Graph Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2015.2503700.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为机器学习和计算机视觉中一个重要且具有挑战性的问题，多标签分类通常在最大边缘多标签学习框架中实现，其中标签间可分性由标签之间的样本特定分类边缘来表征。然而，常规的多标签分类方法通常不能有效地探索内在的标签间相关性以及联合地对标签间相关性和多标签分类之间的相互作用进行建模。为了解决这个问题，我们提出了一种基于联合学习方法的多标签分类框架，称为标签图学习 (LGL) 驱动的加权支持向量机 (SVM)。原则上，联合学习方法通过LGL对标签间相关性进行明确建模，LGL在统一学习方案中与多标签分类共同优化。结果，学习的标签相关图很好地拟合了多标签分类任务，同时有效地反映了标签之间的基础拓扑结构。此外，标签间的相互作用也受到标签特异性样本社区 (样本的每个社区共享一个共同的标签) 的影响。即，如果两个标签具有相似的标签特异性样本群落，则它们可能是相关的。基于这一观察，LGL被标签超图拉普拉斯算子进一步正则化。实验结果证明了我们的方法在几个基准数据集上的有效性。
Keyword:
Supervised learning
classification algorithms
support vector machines
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
分享收藏Enhancing multi-label classification by modeling dependencies among labels.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容