.png){kind=icon}
返回
Partial multi-label feature selection based on label distribution learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111523.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
部分多标签学习（PML）在监督不精确的环境下诱导一个多分类器，其中每个训练样本关联的候选标签部分有效。PML数据中呈现的高维特征空间伴随着模糊的标签信息，这对学习构成了重大挑战。本文提出了一种基于标签分布学习（LDL）的PML特征选择方法，通过纠正误导性信息并选择通用和标签特定特征来处理上述挑战。在第一步骤中，构建了错误分布假设，该假设根据数据标注过程中可能出现的错误量，将模糊标签信息的结构划分为少数和多数错误分布。在假设分析下，通过识别和纠正错误生成了标签可信度分布数据（LCDD），其中每个训练样本关联的每个标签的分数类别描述了该标签属于该样本的概率。在第二步骤中，基于LCDD通过通用和标签特定特征约束为PML选择判别性特征子集。在三个合成和五个真实PML数据集上的实验证明了所提出方法的有效性。
Keyword:
Partial multi-label learning
Feature selection
Partial label enhancement
Error distribution hypothesis
Label distribution learning
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏
Adaptive Graph Guided Disambiguation for Partial Label Learning.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏
查看更多内容