.png){kind=icon}
返回
Multi-label learning for label-specific features using correlation information with missing label
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126491.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多标签学习任务在获取完整标签时常常面临挑战。许多算法通过利用标签相关性或实例相关性来恢复缺失标签以解决此问题。然而，这些方法可能忽略了实例与标签之间的内在关系，而这同样有助于恢复缺失标签。本研究引入了一种名为“基于缺失标签相关性信息的标签-特征学习”（Label-Feature Learning with Missing Label Correlation Information, LFLI）的竞争性多标签学习算法以应对此问题。首先，利用由实例相关性引导的标签相关性完成缺失标签矩阵；随后，进行标签特定的特征选择；最后，通过整合相关性信息（包括标签相关性和实例相关性）、缺失标签以及标签特定特征来构建目标模型。实验结果表明，在基准多标签分类数据集的四个评估指标上，LFLI相较于几种最先进算法展现出强大的竞争力。
Keyword:
Missing label
Label-specific features selection
Information correlation
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Learning multi-label label-specific features via global and local label correlations通过全局和局部标签相关性学习多标签标签特定特征.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Feature selection with missing labels based on label compression and local feature correlation基于标签压缩和局部特征相关性的缺失标签特征选择NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Multi-label learning with label-specific features via weighting and label entropy guided clustering ensemble通过加权和标签熵引导的聚类集成实现具有标签特定特征的多标签学习NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Low rank label subspace transformation for multi-label learning with missing labels具有缺失标签的多标签学习的低秩标签子空间变换
PREAI
分享收藏Learning Label-Specific Features and Class-Dependent Labels for Multi-Label Classification用于多标签分类的学习标签特定特征和类别相关标签
PREAI
分享收藏Multi-label classification by formulating label-specific features from simultaneous instance level and feature level通过同时从实例级别和特征级别制定特定于标签的特征来进行多标签分类APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Beyond missing: weakly-supervised multi-label learning with incomplete and noisy labels超越缺失: 具有不完整和嘈杂标签的弱监督多标签学习APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容