.png){kind=icon}
返回
Multi-label learning based on operator-valued kernels
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02732-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签学习旨在利用标签相关性进行预测。在本文中，我们从多标签数据集中学习算子值核，以实现对标签相关性的更精细刻画。首先，基于希尔伯特-施密斯独立性准则（HSIC）计算特征集对标签的全局重要性分布。可分离算子值核的构建依赖于这些重要性分布来描述全局标签相关性。其次，通过使用HSIC进一步学习实例级特征重要性分布，以发展可转换算子值核。可转换核的块算子核矩阵描述了实例级标签相关性。第三，设计了与算子值核相关的多标签学习算法，以应对多标签学习预测任务。为了证明所提出算法的有效性，本文展示了在八个多标签数据集上的分类实验和统计分析结果，并将结果与五种高性能算法进行了比较。
Keyword:
Multi-label learning
Hilbert–Schmidt independence criterion
Operator-valued kernel
Label correlation
Operator kernel matrix
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
分享收藏Class-aware Learning for Imbalanced Multi-Label Classification.png)
2023 IEEE 5th International Conference on Civil Aviation Safety and Information Technology (ICCASIT)
2023 IEEE 5th International Conference on Civil Aviation Safety and Information Technology (ICCASIT)IF0
PREAI
分享收藏Operator-valued kernel-based vector autoregressive models for network inferenceMACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容