积分商城

最新搜索： ispLEVER NE555.PDF BRIGHTEK multism modelsim 10.4 IP超过下载限制怎样解除
您现在的位置是：首页 > 技术资料 > 基于标签关联的多标签演化超网络
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于标签关联的多标签演化超网络

更新时间：2019-12-24 01:46:40 大小：2M 上传用户：守着阳光1985查看TA发布的资源 标签：标签关联 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对多标签学习中如何有效挖掘利用高阶标签关联的问题,提出了一种基于标签关联的多标签演化超网络模型.该模型通过输入任意多标签学习方法的预测结果,利用超边表征挖掘高阶标签关联,并综合标签关联和特征信息作为最终的预测结果.与3种传统多标签学习方法在6个多标签数据集上的对比实验表明,本文提出模型不仅能够有效提升多个传统多标签学习方法的性能,而且能够提供具有良好可读性的学习结果.


部分文件列表

文件名 大小
基于标签关联的多标签演化超网络.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
4
Vol． 46 No． 4  
Apr． 2018  
第
期
电
子
学
报
2018  
4
ACTA ELECTRONICA SINICA  
年
月
基于标签关联的多标签演化超网络  
， ， ， ，  
王 进 刘 彬 孙开伟 陈乔松 邓 欣  
(
，
重庆邮电大学计算智能重庆市重点实验室 重庆  
400065)  
:
，
针对多标签学习中如何有效挖掘利用高阶标签关联的问题 提出了一种基于标签关联的多标签演化超  
摘
要
． ， ，  
网络模型 该模型通过输入任意多标签学习方法的预测结果 利用超边表征挖掘高阶标签关联 并综合标签关联和特  
． 3 6 ，  
征信息作为最终的预测结果 与 种传统多标签学习方法在 个多标签数据集上的对比实验表明 本文提出模型不仅  
，
能够有效提升多个传统多标签学习方法的性能 而且能够提供具有良好可读性的学习结果  
．
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
机器学习 多标签学习 演化超网络 标签关联  
:
TP39  
:
A
:
文章编号  
0372-2112 ( 2018) 04-1012-07  
文献标识码  
DOI: 10． 3969 /j． issn． 0372-2112． 2018． 04． 032  
电子学报  
Multi-Label Evolutionary Hypernetwork Based on Label Correlations  
WANG Jin，LIU Bin，SUN Kai-wei，CHEN Qiao-song，DENG Xin  
( Chongqing Key Laboratory of Computational Intelligence，Chongqing University of Posts and Telecommunications，Chongqing 400065，China)  
Abstract: In order to solve the problem that how to explore and exploit the high-order label correlations effectively in  
multi-label learning，a Multi-Label evolutionary HyperNetwork based on label Correlations ( MLHNC) is proposed in this  
paper． In MLHNC，the predicting results obtained from any multi-label learning method are utilized as input of the model，the  
high-order correlations among labels are represented and explored by hyperedges，and the final prediction is made by integra-  
ting the label correlation and feature information． The experimental results on six multi-label datasets compared with three  
state-of-the-art multi-label learning methods show that the MLHNC not only improves the performance of various state-of-  
the-art multi-label learning methods，but also provides readable learning results．  
Key words: machine learning; multi-label learning; evolutionary hypernetwork; label correlation  
，
多标签数据包含大量的标签信息 而标签之间常  
1
引言  
． ，“ ” “ ”  
存在一定的关联性 例如 海洋 和 沙滩 往往同时出  
［1］  
，
传统有监督学习认为每个样本只有一个标签  
． ， ，  
现在一张图片中 因此 如何有效利用标签关联 尤其是  
， ．  
但在现实应用中 事物往往具有复杂的语义信息 例如  
，
高阶标签关联信息 成为提升多标签学习方法性能的  
［3］  
、 、 ．  
一副图片可能同时包括海洋 沙滩 天空等信息 在多标  
．
，
此外 部分多标签学习模型虽然关注和利  
关键所在  
( Multi-Label Learning)  
，
中 每个样本可能包含一  
签学习  
， ，  
用了标签关联 但其学习结果缺乏可读性 因此无法输  
，
个或多个标签 含有更多标签信息的样本能够更好的  
．
出重要的标签关联信息  
［2，3］  
．
表现事物语义信息的多样性  
多标签学习的任务包  
( HyperNetwork，HN)  
超网络  
发而建立的一种基于超图  
是受生物分子网络启  
( Hypergraph)  
的认知学习模  
:
括多标签分类和标签排序两方面 前者旨在确定与测  
［14］  
，
试样本关联的标签集合 而后者旨在根据所有标签与  
，
型
模型中的超边能够表征并挖掘顶点间的高阶关  
［4］  
．
，
近年来 多标签学  
测试样本的关联度确定标签序列  
， ．  
联关系 并提供具有良好可读性的学习结果 为了有效  
习已逐渐成为机器学习及其相关领域的热点研究方  
，
利用标签高阶关联信息 解决现有方法学习结果可读  
［5 ～ 7］  
［8 ～ 10］  
，
向 广泛应用在图像与视频标注  
、
、
生
文本分类  
，
性差的问题 本文提出了一种基于标签关联的多标签  
［11，12］  
［13］  
、
．
物信息学  
音乐情感分类 等诸多领域  
( Multi-Label evolutionary HyperNetwork  
演化超网络模型  
: 2016-05-12;  
: 2017-07-14;  
:
责任编辑 孙瑶  
收稿日期  
修回日期  
基金项目 重庆市基础与前沿研究计划  
KJ1400436)  
:
( No． cstc2014jcyjA40001，No． cstc2014jcyjA40022) ;  
(
重庆教委科学技术研究项目 自然科学类  
) ( No．  
1013  
4
:
进 基于标签关联的多标签演化超网络  
第
期
王
［20］  
based on label Correlations，MLHNC) ．  
MLHNC  
，
中 任  
MLHN)  
本文方法有显著不同  
而本文方法则将顶点视为标签 与  
法以基学习方法的预测结果为模型输入 深度挖掘和  
，
在
将超网络模型拓展到多标签学习领域 但与  
( )  
意传统多标签学习方法 本文称为基学习方法 的预测  
: MLHN ，  
中超边的顶点表示特征  
MLHN  
;
，
， ，  
标签信息将转化为模型输入 顶点表示标签 超边表征  
相比 本文方  
，
． MLHNC  
高阶标签关联  
模型通过演化学习挖掘和利用  
， ，  
利用标签关联信息 可提升任意基学习方法性能 具有  
，
高阶标签关联 并综合标签关联和特征信息作为预测  
．
， ．  
结果 提升基学习方法性能 相对于传统多标签学习方  
更广泛的适用性  
，MLHNC  
:
的优势主要体现在 ①在基学习方法的预测  
法
3
演化超网络  
，
结果上 通过演化学习充分挖掘和利用了高阶标签关  
，
超网络是一种由大量超边组成的概率图模型 通  
; ，  
联信息 ②通过超边表征重要的高阶标签关联 提供具  
［14］  
．
过超边库表达模式空间中数据的分布概率  
超网络  
;
有良好可读性的学习结果 ③有效提升基学习方法分  
1( a)  
．
所示 超边是超网络的基本组成元  
模型结构如图  
，
类性能 适用范围广泛  
．
， ， ．  
素 其由顶点子集 标签和权重三部分组成 每条超边可  
2
多标签学习  
，
以连接多个顶点 而包含在同一条超边内的顶点往往  
，
具有一定的关联 因此超边可以表征顶点间的高阶关  
2． 1  
多标签学习问题描述  
d
．
联性 超边所连接的顶点数称为超边的阶数  
( Order) ，  
所
X = R  
d
， = { ， ，…， }  
维特征空间 Λ λ λ λ 为  
q
设
是
1
2
［21］  
( n)  
( n)  
( n)  
k k  
有超边阶数都为 的超网络称为 阶超网络  
．
在分  
．
整个标签集合 训练样本  
D
= { x ，Y  
}
d
由
维特征  
( n)  
( n)  
( n)  
Λ
， ， ，  
类模式下 顶点表示特征 超边可以看作决策规则 超边  
x
Y
2
，
组成 其中  
Y
向量  
和标签子集  
∈
可表示为  
( n)  
( n)  
( n)  
( n)  
．
的权重则表示其决策能力的强弱 超网络通过演化学  
q
一个 维向量  
y
= ［y ，y ，…，y ］，  
其中若 λ ∈  
q
1
2
j
( n)  
( n)  
( n)  
( t)  
，
习调整超边库 提高模型与输入数据在模式空间概率  
Y
y
= 1，  
否则  
y
= 0．  
D ，  
对于测试样本 多标签  
则
j
j
( t) *  
． x  
分布的拟合度 超网络通过超边库得到输入样本 与输  
Y
(
学习方法需要输出与其相关的标签集合  
表示为  
］)  
和每个标签与样本关联  
( t) *  
( t) *  
( t) *  
( t) *  
y
P( x，y)  
x P( x) ，  
以及 的分布概率  
出类别 的联合概率  
并通过后验概率最大化原则得到最终结果  
P( x，y; H)  
y
=［y  
，y ，…，y  
2
1
q
:
( t) *  
( t) *  
( t) *  
( t) *  
fy  
=［fy  
，fy  
，…，fy ］．  
q
度
1
2
*
y
= arg max( P( y| x) ) = arg max  
( 1)  
2． 2  
多标签学习方法概述  
根据利用标签关联信息的策略不用 可将多标签  
( First-Order Strategy) ，  
(
)
y
y
P( x; H)  
，
4
MLHNC  
:
分类方法划分为三类 一阶策略  
( Second-Order Strategy)  
( High-Or-  
二阶策略  
der Strategy)  
和高阶策略  
MLHNC  
，
通过改进传统超网络结构 将任意多标签  
［3］  
．
一阶策略方法认为标签间是相互独立  
，
学习方法的标签预测结果作为模型输入 使超边能够  
， ．  
的 没有利用任何标签间的关联关系 典型的一阶策略  
，
表征标签间的高阶关联性 进而有效挖掘和利用高阶  
: q  
方法有 把多标签分类问题转化为 个独立二分类问题  
，
标签关联信息 提升多标签学习方法性能  
．
［5］  
( Binary Relevance，BR)  
的二元关系法  
和利用最大后  
( Multi-Label  
．
二阶策略方法利用了标  
4． 1 MLHNC  
基本结构  
k
验概率准则进行预测的多标签 近邻方法  
MLHNC  
， ，  
中 每个顶点表示一个标签 超边中顶  
在
［15］  
k-Nearest Neighbor，MLkNN)  
． ，  
点的取值为对应标签的预测结果 此外 超边的标签和  
．
签集合中成对标签间的关联信息 把多标签学习问题  
q
权重扩展为 维向量  
y =［y ，y ，…，y ］ w =［w ，w ，  
和
1
1
2
q
2
2
C
( Calibrated  
个标签排序问题的基准标签排序  
转化为  
Label Ranking，CLR)  
( Backpropagation for Multi-Label Learn-  
q
…，w ］，  
q
w ，  
其中 表示超边对标签 λ 的决策能力 即超  
j
j
［16］  
和改进神经网络模型的反向传  
．
边中顶点表示的标签集合与标签 λ 的关联性的强弱  
j
播多标签学习法  
MLHNC  
1( b)  
．
所示  
的结构如图  
［11］  
( n)  
ing，BPMLL)  
则利用了多个标签间的关联信息 标签幂集法  
．
是典型的二阶策略方法 高阶策略方法  
( Label  
( Random k-labelsets，  
D
，
首先通过基学习方法获得其预  
对于训练样本  
( n) *  
( n) *  
( n) *  
．
y
fy  
，
y
测标签结果  
和预测关联度  
并将  
转化为  
，y } ．  
通过对  
［5］  
( n)  
( n) *  
( n)  
Powerset，LP)  
k
和随机 标 签集  
珟
D
的输入  
，
特征 得到  
MLHNC  
= { y  
［17］  
RakEL)  
把多标签问题转化为一个或多个多分类问  
，MLHNC  
模型结构和模型输入形式的改变  
能够描述标  
［18］  
*
．
题 分类器链  
( Classifier Chain，CC)  
和相关二元关系  
y y  
签的预测值 与标签真实值 的联合概率分布以及  
j
［19］  
*
( Dependent Binary Relevance Model，DBR)  
模型  
则是  
y
:
的概率分布  
．
通过将标签信息转化为特征来挖掘高阶标签关联 高  
1
*
*
(
exp － ( y ，y ; H)  
ε
)
P( y ，y ; H) =  
j
( 2)  
j
，
阶策略考虑了更多的标签关联信息 因此与前两种策  
Z ( H)  
j
，
略相比 其时间开销往往更大  
．
1
*
*
(
exp － ( y ; H)  
ε
)
P ( y ; H) =  
j
( 3)  
Z ( H)  
j
( Multi-Label HyperNetwork，  
多 标 签 超 网 络  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号