Learning label-specific features for multi-dimensional classification

Zan Zhang

doi:10.1016/j.patcog.2025.112365

2025-08-28

PRE

DOI：10.1016/j.patcog.2025.112365

原文链接

原文求助

摘要

En 中文

在多维分类（MDC）中，实例与多个假设存在于输出空间的类变量相关联，每个类变量对应一个异构类空间，并从某一维度表征对象的语义。从MDC示例中学习面临挑战，因为类空间的异构性导致不同类空间的输出无法直接比较。此外，现有方法通常为类中的所有标签使用相同的数据表示，这可能导致次优结果，因为每个标签可能由其特定的具体特征决定。关键在于，原始异构标签的固有不可比性阻碍了现有方法有效捕捉标签相关性，而这些相关性对于指导特征学习至关重要。在本文中，我们提出了一种名为LEAD的新型算法，即针对多维分类学习标签特定特征（learning Label-spEcific feAtures for multi-Dimensional classification）。LEAD首先通过独热标签编码将原始输出空间转换为一个统一的编码标签空间，以解决标签异构性问题。这一关键对齐操作使得能够从编码空间中显式提取标签相关性。为了增强标签相关性估计的可靠性，LEAD随后利用局部线性嵌入（locally linear embedding）来利用特征空间的流形结构，通过在相似实例间传播标签信息来对抗稀疏性。最后，LEAD通过稀疏学习联合学习标签特定的特征表示并构建分类器，同时融入标签相关性。在十五个数据集上的实验比较表明，我们提出的方法优于当前最先进的多维分类方法。代码可在https://github.com/ZhangZan-source/LEAD获取。