Multi-label prototype selection based on editing nearest neighbor rule

Panagiotis Filippakis

doi:10.1016/j.patcog.2026.114001

Multi-label prototype selection based on editing nearest neighbor rule

2026-05-01

1

PRE

AI

P

Panagiotis Filippakis *

DOI：10.1016/j.patcog.2026.114001

原文链接

原文求助

摘要

En 中文

一种在保持高准确率的同时提高基于实例分类器效率的常用方法是，通过用较小的代表性子集替代训练集来减小训练集规模。这通常通过利用数据缩减技术（DRTs）实现。后者在处理单标签分类方面具有广泛适用性。然而，在多标签数据的情况下并非如此，因为每个实例可能关联多个类别。在本文中，我们将一种流行的单标签数据缩减技术——编辑最近邻（eNN）规则——适配于多标签数据处理。在单标签分类中，eNN专注于移除噪声和接近边界的实例，使数据集清晰且边界分离良好。其核心思想是：与邻居多数类别不同的实例被视为噪声并被移除。在多标签数据背景下，标签边界往往模糊，噪声概念未明确定义。尽管如此，我们假设标签集与其局部邻域主导标签集显著不同的实例可被视为噪声，其移除有助于压缩训练集。基于此原则，我们针对多标签数据提出了三种新的eNN变体并进行了实践测试。在九个（9）不同多标签数据集上进行的实验测试和统计分析表明，所提算法显著减小了数据集规模，未影响准确率，同时表现出优于现有方法的性能。

Keyword:

Multi-label classification

Data reduction techniques

Prototype selection

eNN rule

MLeNN

BRkNN

Multi-label prototype selection based on editing nearest neighbor rule

摘要

期刊

机构

引用论文