非平衡化标签补全核极限学习机多标签学习

• 作者: 王一宾 程玉胜 裴根生 赵大卫
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 机器学习 多标签学习 标签相关性 信息熵 标签补全 极限学习机
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 学术论文
• 页码范围: 719-725
• 页数: 7页
• 分类号: TP18
• 字数: 4424字
• 语种: 中文
• DOI: 10.3969/j.issn.0372-2112.2019.03.029

摘要

目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补全的核极限学习机多标签学习算法(KELM-NeLC):首先使用信息熵计算标签之间的相关关系得到标签置信度矩阵,然后利用非平衡参数方法对基础的标签置信度矩阵进行改进,构建出一个非平衡的标签补全矩阵,最后为了学习获得更加准确的标签置信度矩阵,将非平衡化的标签补全矩阵与核极限学习机进行联合学习,依此解决多标签分类问题.提出的算法在公开的多个基准多标签数据集中的实验结果表明,KELM-NeLC算法较其他对比的多标签学习算法有一定优势,使用统计假设检验进一步说明所提出算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程玉胜	安庆师范大学计算机与信息学院	81	339	9.0	14.0
3	王一宾	安庆师范大学计算机与信息学院	63	407	10.0	18.0
9	赵大卫	安庆师范大学计算机与信息学院	3	8	2.0	2.0
10	裴根生	安庆师范大学计算机与信息学院	8	24	4.0	4.0