基于低秩表示的标记分布学习算法

• 作者: 刘睿馨 刘新媛 李晨
• 来源期刊: 模式识别与人工智能
• 关键词: 标记多义性 单标记学习(SLL) 多标记学习(MLL) 标记分布学习(LDL) 低秩表示(LRR)
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 论文与报告|Papers and Reports
• 页码范围: 146-156
• 页数: 11页
• 分类号: TP181
• 语种: 中文
• DOI: 10.16451/j.cnki.issn1003-6059.202102006

摘要

针对标记分布学习算法忽略标记相关性信息及数据存在异常和噪声值的情况,文中提出基于低秩表示的标记分布学习算法(LDL-LRR).利用特征空间的基线性表示样本信息,实现对原始特征空间数据的降维.将低轶表示(LRR)迁移至标记空间,对模型施加低秩约束,把握数据的全局结构.分别使用增广拉格朗日乘子法和拟牛顿法求解LRR和目标函数,再通过最大熵模型预测标记分布.在10个数据集上的对比实验表明,LDL-LRR性能良好,效果稳定.