典型文献
存在标签噪音的数据中基于低秩矩阵分解的多输出回归
文献摘要：
多输出回归是指针对一组输入变量来估计其对应的多个连续属性值,其在数据挖掘领域有着广泛的应用.当前关于多输出回归任务的研究都是基于标签值准确的假设下实现的.然而在实际情况中,数据集的部分标签可能并不准确,即部分标签存在一定的噪声.在这种情况下,传统多输出回归方法性能较差.为了解决上述情况下的多输出回归问题,利用大数据中数据样本大的特点来提炼各个标签间的相关性,从而利用标签间的相关矩阵重构标签.由于多输出问题中的标签个数通常较多,因此可以一定程度上稀释掉部分标签的噪声干扰.此外,利用低秩矩阵分解对上述思路建立数学优化问题,并在此基础上引入核技巧以提升模型的非线性拟合能力.最后,采用非凸近似的手段求解该优化问题,从而保证了多输出回归模型的预测性能.实验18个数据集上同现有的6种多输出回归方法进行了比较,提出的方法在样本量较大的场景下性能优势较为明显.
文献关键词：
多输出回归;标签噪声;低秩学习;矩阵分解;非凸优化
中图分类号：
作者姓名：
刘志刚;刘森泽
作者机构：
无锡职业技术学院控制技术学院,江苏无锡214121;南京大学计算机科学与技术系,江苏南京210023
文献出处：
引用格式：
[1]刘志刚;刘森泽-.存在标签噪音的数据中基于低秩矩阵分解的多输出回归)[J].微电子学与计算机,2022(03):50-57
A类：
低秩学习
B类：
噪音,低秩矩阵分解,多输出回归,指针,连续属性,属性值,设下,上述情况,回归问题,相关矩阵,矩阵重构,噪声干扰,优化问题,核技巧,非线性拟合,凸近似,预测性能,同现,样本量,性能优势,标签噪声,非凸优化
AB值：
0.286096
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。
