典型文献
基于双向映射学习的多标签分类算法
文献摘要：
现有的多标签学习算法往往只侧重于实例空间到标签空间的正向投影,正向投影时由于特征维数降低所产生的实例空间信息丢失的问题往往被忽略.针对以上问题,提出一种基于双向映射学习的多标签分类算法.首先,利用实例空间到标签空间的正向映射损失建立线性多标签分类模型;然后,在模型中引入重构损失正则项构成双向映射模型,补偿由于正向映射时导致的鉴别信息的丢失;最后,将双向映射模型结合标签相关性和实例相关性充分地挖掘标签之间、实例之间的潜在关系,并利用非线性核映射提高模型对非线性数据的处理能力.实验结果表明,与近年来的其他几种方法相比,该方法在汉明损失、一次错误率和排序损失上的性能平均提升17.68％、17.01％、18.57％;在六种评价指标上的性能平均提升了12.37％,验证了模型的有效性.
文献关键词：
多标签学习;双向映射;标签相关性;实例相关性;核映射
中图分类号：
作者姓名：
王庆鹏;高清维;卢一相;孙冬
作者机构：
安徽大学 电气工程与自动化学院,合肥230601
文献出处：
引用格式：
[1]王庆鹏;高清维;卢一相;孙冬-.基于双向映射学习的多标签分类算法)[J].计算机应用研究,2022(04):1030-1036
A类：
实例相关性
B类：
双向映射,多标签分类,分类算法,多标签学习,标签空间,空间信息,信息丢失,分类模型,正则项,成双,映射模型,鉴别信息,标签相关性,潜在关系,非线性核,核映射,处理能力,几种方法,汉明,错误率,六种
AB值：
0.289096
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
