.png){kind=icon}
返回
Missing Multi-Label Learning With TSK Fuzzy System and Adaptive Graph
.png){kind=icon}
PRE
AI
DOI：10.1109/tfuzz.2026.3716853.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签学习中标签缺失问题在现实应用中具有挑战性，近年来已受到广泛关注。现有方法大多利用标签相关性解决标签缺失问题。然而，这些方法直接从原始缺失标签矩阵中学习标签相关性，增加了错误信息。尽管一些方法采用数据增强来改善标签恢复，但很少探索恢复标签与特征空间之间的关系。Takagi-Sugeno-Kang (TSK) 模糊系统具有强大的非线性建模能力和可解释性，使其成为解决标签缺失问题的有前景模型。因此，我们提出了一种结合TSK模糊系统和自适应图的多标签缺失学习方法。具体而言，TSK模糊系统将原始特征空间转换到模糊空间，并增强具有缺失标签样本的特征表示。随后，自适应图用于获取标签相关性，并应用于恢复缺失标签，从而学习恢复标签与模糊表示之间的非线性关系。此外，标签流形结构被用来约束预测标签与恢复标签矩阵具有相同的标签相关性，以指导未知样本的预测并提升泛化能力。实验结果表明，我们提出的方法在来自不同领域的数据集上均优于现有先进方法。
Keyword:
Adaptive graph
missing labels
multi-label learning
TSK fuzzy system
期刊
IF:
11.9
论文数:
5.0K
被引数:
2.9W
机构
引用论文
暂无论文信息