标签有限或缺失情形下的多标签学习方法研究

发布时间：2024-04-09 19:18

　　传统的单标签数据挖掘,假定每个样本点仅属于一个类别,但是随着标注结构复杂程度的增加,每个样本可能同时属于多个类别,即多标签数据。在实际应用中,多标签数据标签的获取比较困难,因而得到的标签数据有限或者标签缺失。如图像标注中,必须遍历所有候选的单词,需要消耗过多的资源来确定每一个图像的标签。一般的,获得的标签数据有限或者标签是不完整的。针对多标签数据有限或者标签缺失的情形,本文分别在两种情形下提出相关的学习方法。在标签数据有限情形下,同时考虑数据的高维影响,本文提出了多标签半监督降维方法;在标签缺失的情形下,本文提出了标签缺失情形下低秩分类的方法。本文的主要工作为以下三个方面:(1)分析研究了标签有限和缺失情形下的多标签学习方法,结合标签有限和缺失情形下的数据特点以及实际应用中的需求,通过相关的研究,分别提出了标签数据有限情形下的多标签降维方法和标签缺失情形下的多标签分类方法。(2)在标签数据有限的情形下,结合数据高维的特性,提出了多标签半监督降维的方法LEDA(Semi-Supervised Multi-Label Feature Learning via Label Enlarged ...

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图1.4多标签分类第页

包括许多资源的自动标注[37]，比如文本、图像、音乐和视频。下图1.4描述了经典的多标签应用——图片分类。这个图片分类有四个标签，根据所包含的内容，每一张图片都可以被标注两个或多个标签。在图片分类中有多个重叠的边界，每个标签与其它标签之间都有关联。多标签数据的分类方法大致可以分成....

图1.5标签缺失的图形描述

样本点有6个，下图1.5给出了在标签缺失情况下的描述，实线代表属于的类别，虚线表示不属于的类别，数据与标签之间没有线相连，代表标签的缺失，特别的，未标签数据也可以看做标签缺失的一种情形。标签缺失在多标签研究中是一个热门的研究方向。目前，有许多专门处理标签缺失的算法。Cabral....

本文编号：3949529