Manifold regularized discriminative feature selection for multi-label learning(基于流式正则化判别多标记学习的特征选择)

本文主要是介绍Manifold regularized discriminative feature selection for multi-label learning(基于流式正则化判别多标记学习的特征选择),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!

论文大纲:

  1. 背景
  2. 特征选择的方法
  3. 详细介绍MDFS方法
  4. 实验结果分析
  5. 讨论和结论

 

背景:

     在多标签学习中,对象本质上与多个语义相关,数据类型同时面临高特征维数的影响,如生物信息学和文本挖掘等应用。为了解决学习问题,提出了特征选择这一关键技术来降低维数,而以往的多标签特征选择方法大多是从传统的单标签特征选择方法中直接转化而来的,或者是在标签信息的开发过程中半途而废,从而导致了多标签特征选择方法的不足所选特征子集中涉及的冗余或无关特征。针对多类标签间的差异特征,提出了一种基于流形正则化的嵌入式多标签特征选择方法。具体来说,在原始特征空间的基础上构造低维嵌入,以适应标签分布,以局部捕捉标签相关性,同时考虑标签对的共现关系,利用标签信息进行约束。根据这一原则,我们设计了一个包含L2,1-范数正则化的优化目标函数来实现多标签特征选择,并保证了收敛性。对不同的多标签数据集的实证研究表明,该方法与现有的多标签特征选择方法相比具有很强的竞争力。

 

特征选择的方法:

特征选择是一种高效的降维工具,而从选择的策略角度来看,可以将特征选择划分为三类:

  1. 过滤方法:该方法是在分类前生产特征排序,该排序是基于数据的某些特征,例如特征的相关性等。
  2. 包装器方法:该方法是包括与现成分类器的交互,而分类器的性能被视为评价所选特征子集的指标。
  3. 嵌入式方法:该方法是直接将特征选择的过程作为分类器训练的一部分。

 

MDFS方法介绍:

首先,我们基于流形假设将原始特征空间映射到低维嵌入中。由于两个实例在低维嵌入中更相似,而在原始特征空间中彼此更接近,因此捕捉局部标签相关性来指导特征选择过程。其次,进一步利用低维嵌入构造基于标签信息的流形正则化器,从而有利于全局标签相关性的开发。最后,利用局部和全局标签相关性,对多标签学习进行流形正则化判别特征选择。

X:为特征矩阵

F:从特征矩阵X引出的低维嵌入矩阵

Q:

实验结果分析:

      实验评价指标:

          

数据集:

实验对比:

 

 

 

 

 

 

 

 

 

 

 

 

从图我们可以得出结论,MDFS可以获得与MCLSMSSLGLOCALLLSFGMBAMIFSMDMRRFS具有高度竞争力的性能。而MDFSMDFS-o在所有指标能没有明显的差异,但在某个上,MDFS的排名高于MDFS-o

 

讨论和结论:

      本文介绍了一种新的多标签特征选择流形正则化优化框架。该优化框架具有两个很有吸引力的特性。首先,利用流形正则化方法,从原始特征空间生成低维嵌入,用于局部和全局标签相关性的开发。其次,将L2,1-范数正则化引入学习框架,采用特征选择过程,对多标签学习中的判别特征进行搜索。针对上述目的,提出了一种求解凸性优化问题的高效交替优化算法。通过对各种真实世界多标签数据集的实证研究,验证了该方法的有效性。与其他一些最新的多标签特征选择方法相比,该方法在性能上具有优势。通过参数屯垦,通过解析标签相关性,该方法的性能得到了普遍的改善。在未来,为研究高阶关联策略有意义的研究方向,同时也将探讨如何结合标签相关信息进行弱监督多标签学习的特征选择。

这篇关于Manifold regularized discriminative feature selection for multi-label learning(基于流式正则化判别多标记学习的特征选择)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/323306

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件