Leveraging Implicit Relative Labeling-Importance Information for Effective Multi-Label Learning

本文主要是介绍Leveraging Implicit Relative Labeling-Importance Information for Effective Multi-Label Learning,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Leveraging Implicit Relative Labeling-Importance Information for Effective Multi-Label Learning

 

论文大纲:

  1. 背景
  2. 介绍RELIAB(相对标记重要性感知多标签学习)方法
  3. 实验分析
  4. 总结和未来的问题

 

1、背景:

       多标签学习处理的是一个由单个实例表示的训练实例,同时又与多个类标签相关联,并且其任务是训练一个预测模型,该模型可以为未有标签的实例分配一组合适的标签。现有的方法都采用所有的标签重要性是一样的假设,即所有相关的标签都被认为与训练实例相关,而它们在描述其语义时的相对重要性没有区别。尽管如此,这种常见的假设并不能反映出每个相关标签的重要性程度通常是不同的,尽管重要性信息不能直接从训练实例中获取。在本文中,我们利用多重标记(RLI)来归纳隐含的预测信息,有助于证明该模型的相对重要性。具体地说,RLI度被形式化为标签空间上的多项式分布,可以通过全局标签传播过程或局部k近邻重构来估计。相应地,用估计的RLI度拟合模型输出,结合多标签经验损失正则化,得到多标签预测模型。大量的实验清楚地证明了利用隐含的RLI信息是有效的实现多标签学习的有利策略。

 

2、RELIAB方法介绍:

2.1标签相对重要性程度:

      表是标签相对重要性的程度,其中yl Y(实例相关标签的集合)x表示实例,并且标签相对重要性程度只能从被给的多标签训练集中得到。

2.2对标签相对重要性程度的评估:

  对标签相对重要性程度的评估简单有效的模型是全局标签传播过程或局部k近邻重建。

2.2.1 全局标签传播过程:

 

2.2.2 局部k近邻重建:

gi=


2.3 The pseudo-code of RELIAB

3、实验分析

 

|S|:样本数量

dim(S):特征数量

L(S):标签类的数量

F(S):各类特征类

LCard(S):标签基数

LDen(S):标签密度

DL(S):不同的标签集

PDL(S): 不同标签集的比例

 

 

 

 

 

 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

这些结果表明,RELIAB适用于多标签实例中相关标签具有内在相对标签重要性的问题。

 

4、总结和未来的问题

现有的方法通过假设相同的标签重要性从多个标签示例中学习,其中每个相关标签对学习过程的贡献是相等的。在这篇论文中,我们对我们先前的研究[22]进行了扩展,它利用了从训练示例中获得的隐式RLI信息来进行模型归纳。因此,我们提出了两种简单而有效的估计RLI度的策略,并进一步利用这些策略来建立具有经验损失正则化的多标签预测模型。比较研究验证了所提出的方法估计的RLI信息的质量,以及利用它们进行有效的多标签学习的好处。在未来,除了标签传播和knearest邻域技术外,探索其他的隐式RLI信息估计方法是很有意义的。此外,还需要进一步研究依赖于具有基本真实RLI信息的数据集在更高数量的类标签上估计RLI度的质量。

 

 

 

 

 

 

 

这篇关于Leveraging Implicit Relative Labeling-Importance Information for Effective Multi-Label Learning的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/241648

相关文章

C#如何动态创建Label,及动态label事件

《C#如何动态创建Label,及动态label事件》:本文主要介绍C#如何动态创建Label,及动态label事件,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#如何动态创建Label,及动态label事件第一点:switch中的生成我们的label事件接着,

MySQL的隐式锁(Implicit Lock)原理实现

《MySQL的隐式锁(ImplicitLock)原理实现》MySQL的InnoDB存储引擎中隐式锁是一种自动管理的锁,用于保证事务在行级别操作时的数据一致性和安全性,本文主要介绍了MySQL的隐式锁... 目录1. 背景:什么是隐式锁?2. 隐式锁的工作原理3. 隐式锁的类型4. 隐式锁的实现与源代码分析4

mysqld_multi在Linux服务器上运行多个MySQL实例

《mysqld_multi在Linux服务器上运行多个MySQL实例》在Linux系统上使用mysqld_multi来启动和管理多个MySQL实例是一种常见的做法,这种方式允许你在同一台机器上运行多个... 目录1. 安装mysql2. 配置文件示例配置文件3. 创建数据目录4. 启动和管理实例启动所有实例

2014 Multi-University Training Contest 8小记

1002 计算几何 最大的速度才可能拥有无限的面积。 最大的速度的点 求凸包, 凸包上的点( 注意不是端点 ) 才拥有无限的面积 注意 :  凸包上如果有重点则不满足。 另外最大的速度为0也不行的。 int cmp(double x){if(fabs(x) < 1e-8) return 0 ;if(x > 0) return 1 ;return -1 ;}struct poin

2014 Multi-University Training Contest 7小记

1003   数学 , 先暴力再解方程。 在b进制下是个2 , 3 位数的 大概是10000进制以上 。这部分解方程 2-10000 直接暴力 typedef long long LL ;LL n ;int ok(int b){LL m = n ;int c ;while(m){c = m % b ;if(c == 3 || c == 4 || c == 5 ||

2014 Multi-University Training Contest 6小记

1003  贪心 对于111...10....000 这样的序列,  a 为1的个数,b为0的个数,易得当 x= a / (a + b) 时 f最小。 讲串分成若干段  1..10..0   ,  1..10..0 ,  要满足x非递减 。  对于 xi > xi+1  这样的合并 即可。 const int maxn = 100008 ;struct Node{int

lvgl8.3.6 控件垂直布局 label控件在image控件的下方显示

在使用 LVGL 8.3.6 创建一个垂直布局,其中 label 控件位于 image 控件下方,你可以使用 lv_obj_set_flex_flow 来设置布局为垂直,并确保 label 控件在 image 控件后添加。这里是如何步骤性地实现它的一个基本示例: 创建父容器:首先创建一个容器对象,该对象将作为布局的基础。设置容器为垂直布局:使用 lv_obj_set_flex_flow 设置容器

简单的Q-learning|小明的一维世界(3)

简单的Q-learning|小明的一维世界(1) 简单的Q-learning|小明的一维世界(2) 一维的加速度世界 这个世界,小明只能控制自己的加速度,并且只能对加速度进行如下三种操作:增加1、减少1、或者不变。所以行动空间为: { u 1 = − 1 , u 2 = 0 , u 3 = 1 } \{u_1=-1, u_2=0, u_3=1\} {u1​=−1,u2​=0,u3​=1}

简单的Q-learning|小明的一维世界(2)

上篇介绍了小明的一维世界模型 、Q-learning的状态空间、行动空间、奖励函数、Q-table、Q table更新公式、以及从Q值导出策略的公式等。最后给出最简单的一维位置世界的Q-learning例子,从给出其状态空间、行动空间、以及稠密与稀疏两种奖励函数的设置方式。下面将继续深入,GO! 一维的速度世界 这个世界,小明只能控制自己的速度,并且只能对速度进行如下三种操作:增加1、减

计算机视觉中,什么是上下文信息(contextual information)?

在计算机视觉中,上下文信息(contextual information)是指一个像素或一个小区域周围的环境或背景信息,它帮助模型理解图像中对象的相对位置、大小、形状,以及与其他对象的关系。上下文信息在图像中提供了全局的语义和结构线索,使模型不仅依赖局部细节,而且能够考虑整个场景或图像的大局。 上下文信息的具体含义 局部与全局信息的结合: 局部信息:这是指某个小区域或某个像素点的特征。通过小