基于未標(biāo)記數(shù)據(jù)與類屬屬性的多標(biāo)記學(xué)習(xí)算法研究.pdf

1、傳統(tǒng)單標(biāo)記學(xué)習(xí)(single-label learning)假設(shè)現(xiàn)實世界中的對象僅有單一的語義信息(semantic)。然而現(xiàn)實世界中的對象往往同時具有多種語義信息，使得上述單標(biāo)記學(xué)習(xí)框架不再適用。近十年來，多標(biāo)記學(xué)習(xí)(multi-label learning)吸引了眾多研究者的關(guān)注。在多標(biāo)記學(xué)習(xí)框架下，每個對象用一個示例(instance，通常為屬性向量)描述其特征性質(zhì)，并用一個標(biāo)記集合(label set)來描述該對象的語義信息。本

2、文針對多標(biāo)記學(xué)習(xí)領(lǐng)域有待解決的問題，主要做了兩個方面的工作:
　　在很多應(yīng)用中，對數(shù)據(jù)進(jìn)行標(biāo)記是很費時且昂貴的工作，而未標(biāo)記數(shù)據(jù)往往容易獲得。因此，通過使用未標(biāo)記數(shù)據(jù)來提高學(xué)習(xí)系統(tǒng)的性能是非常值得研究的。同時，我們希望學(xué)習(xí)系統(tǒng)可以正確預(yù)測訓(xùn)練中沒有使用到的未見示例(unseeninstance)。為此，我們提出了非直推半監(jiān)督多標(biāo)記學(xué)習(xí)算法iMLCU(inductiveMulti-label Classification with

3、Unlabeled data)。
　　另一方面，已經(jīng)出現(xiàn)的多標(biāo)記學(xué)習(xí)算法所采用的共同策略是使用相同的屬性預(yù)測該示例的所有可能標(biāo)記。該策略可能不是最優(yōu)的，因為不同的類別標(biāo)記可能分別擁有其自身獨有的特征。因此，一種更優(yōu)的策略是對每個標(biāo)記使用其最相關(guān)的屬性進(jìn)行學(xué)習(xí)預(yù)測，即類屬屬性（label-specific feature）?；诖?，我們提出了基于類屬屬性的多標(biāo)記學(xué)習(xí)算法LIFT(multi-label learning with L