计算机应用 ›› 2014, Vol. 34 ›› Issue (9): 2577-2580.DOI: 10.11772/j.issn.1001-9081.2014.09.2577
收稿日期:
2014-04-02
修回日期:
2014-06-08
出版日期:
2014-09-01
发布日期:
2014-09-30
通讯作者:
张丹普
作者简介:
基金资助:
四川省科技支撑计划项目
ZHANG Danpu1,2,WANG Lili1,2,FU Zhongliang1,LI Xin1,2
Received:
2014-04-02
Revised:
2014-06-08
Online:
2014-09-01
Published:
2014-09-30
Contact:
ZHANG Danpu
摘要:
当标识示例的两个标签分别来源于两个标签集时,这种多标签分类问题称之为标签匹配问题,目前还没有针对标签匹配问题的学习算法。 尽管可以用传统的多标签分类学习算法来解决标签匹配问题,但显然标签匹配问题有其自身特殊性。 通过对标签匹配问题进行深入的研究,在连续AdaBoost(real Adaptive Boosting)算法的基础上,基于整体优化的思想,采用算法适应的方法,提出了基于双标签集的标签匹配集成学习算法,该算法能够较好地学习到标签匹配规律从而完成标签匹配。 实验结果表明,与传统的多标签学习算法用于解决标签匹配问题相比,提出的新算法不仅缩小了搜索的标签空间的范围,而且最小化学习误差可以随着分类器个数的增加而降低,进而使得标签匹配分类更加快速、准确。
中图分类号:
张丹普 王莉莉 付忠良 李昕. 基于双标签集的标签匹配集成学习算法[J]. 计算机应用, 2014, 34(9): 2577-2580.
ZHANG Danpu WANG Lili FU Zhongliang LI Xin. Ensemble learning algorithm for labels matching based on pairwise labelsets[J]. Journal of Computer Applications, 2014, 34(9): 2577-2580.
[1]TSOUMAKAS G, KATAKIS I. Multi-label classification: an overview [J]. International Journal of Data Warehousing and Mining, 2007, 3(3): 1-13.
[2]BOUTELL M R, LUO J, SHEN X, et al.Learning multi-label scene classification [J]. Pattern Recognition, 2004, 37(9): 1757-1771.
[3]〖CM(27〗FRNKRANZ J, HLLERMEIER E, LOZA MENCA E, et al.〖WTBZ〗 Multilabel classification via calibrated label ranking [J]. Machine Learning, 2008, 73(2): 133-153.
[4]TSOUMAKAS G, VLAHAVAS I. Random k-labelsets: an ensemble method for multilabel classification[C]// ECML 2007: Proceedings of the 18th European Conference on Machine Learning, LNCS 4701. Berlin: Springer-Verlag, 2007: 406-417.
[5]ZHANG M L, ZHOU Z H. A k-nearest neighbor based algorithm for multi-label classification [C] // Proceedings of the 2005 IEEE International Conference on Granular Computing. Piscataway: IEEE, 2004, 2: 718-721.
[6]ELISSEEFF A, WESTON J. A kernel method for multi-labeled classification [C] // NIPS 02: Proceedings of Advances in Neural Processing Systems. Cambridge: MIT Press, 2002: 681-687.
〖BP(〗http://cse.seu.edu.cn/people/zhangml/Resources.htm
http://cse.seu.edu.cn/people/zhangml/files/NIPS02.pdf〖BP)〗
[7]SCHAPIRE R E, SINGER Y. Improved boosting algorithms using confidence-rated predictions [J]. Machine Learning, 1999, 37(3): 297-336.
[8]SCHAPIRE R E, SINGER Y. Boostexter: a boosting based system for text categorization [J]. Machine Learning, 2000, 39(2/3): 135-168.
[9]ZHANG M-L, ZHANG K. Multi-label learning by exploiting label dependency[C] // KDD'10: Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2010: 999-1007.
[10]DEMBCZYNSKI K, WAEGEMAN W, CHENG W, et al.On label dependence in multi-label classification[C] // Proceedings of the 2nd International Workshop on Learning from Multi-Label Data. Haifa: [s.n.], 2010: 5-12.
〖BP(〗http://www.weiweicheng.com/research/papers/cheng-icml10mld.pdf〖BP)〗
[11]HUANG S-J, ZHOU Z-H. Multi-label learning by exploiting label correlations locally[C] // Proceedings of the Twenty-Sixth AAAI Conference on Artificial Intelligence. Menlo Park: AAAI Press, 2012: 949-955.
[12]Mulan: a Java library for multi-label learning [EB/OL]. [2014-01-16]. http://mulan.sourceforge.net/datasets.html.
[13]ZHANG M-L. Data sets used in multi-instance learning [EB/OL]. [2013-12-05]. http://cse.seu.edu.cn/people/zhangml/Resources.htm#data.[14]FU Z. Cost-sensitive AdaBoost algorithm for multi-class classification problems [J]. Acta Automatica Sinica, 2011, 37(8): 973-983. (付忠良.多分类问题代价敏感AdaBoost算法[J]. 自动化学报, 2011, 37(8):973-983.)
[15]FU Z. An ensemble learning algorithm for direction prediction [J]. Shanghai Jiaotong University, 2012, 46(2): 250-258. (付忠良.一种用于方向预测的集成学习算法[J]. 上海交通大学学报, 2012, 46(2): 250-258.)
[16]TSOUMAKAS G, KATAKIS I, VLAHAVAS I. Mining multi-label data[M]// Data Mining and Knowledge Discovery Handbook. Berlin: Springer-Verlag, 2010: 667-686.
|
[1] | 罗圣钦 陈金怡 李洪均. 基于注意力机制的多尺度残差UNet实现乳腺癌灶分割[J]. 计算机应用, 0, (): 0-0. |
[2] | 杨鼎康 黄帅 王顺利 翟鹏 李一丹 张立华. 基于对抗生成网络和网络集成的面部表情识别方法EE-GAN[J]. 计算机应用, 0, (): 0-0. |
[3] | 秦庭威 赵鹏程 秦品乐 曾建朝 柴锐 黄永琦. 基于残差注意力机制的点云配准算法[J]. 计算机应用, 0, (): 0-0. |
[4] | 鲁永帅 唐英杰 马鑫然. 基于深度特征融合的无纺布低对比度浆丝缺陷检测方法[J]. 计算机应用, 0, (): 0-0. |
[5] | 裴仪瑶, 郭会明, 张丹普, 陈文博. 基于定位不确定性的鲁棒3D目标检测方法[J]. 计算机应用, 2021, 41(10): 2979-2984. |
[6] | 许学斌, 张佳达, 刘伟, 路龙宾, 赵雨晴. 融合空间和通道特征的高精度乳腺癌分类方法[J]. 计算机应用, 2021, 41(10): 3025-3032. |
[7] | 汪虹余, 张彧, 杨恒, 穆楠. 基于蚁群优化算法的弱光图像显著性目标检测[J]. 计算机应用, 2021, 41(10): 2970-2978. |
[8] | 魏淳武, 赵涓涓, 唐笑先, 强彦. 基于多时期蒸馏网络的随访数据知识提取方法[J]. 计算机应用, 2021, 41(10): 2871-2878. |
[9] | 韩建栋, 李晓宇. 基于多尺度特征融合的行人重识别方法[J]. 计算机应用, 2021, 41(10): 2991-2996. |
[10] | 张凯悦, 张鸿. 基于注意力机制网络的航运监控图像识别模型[J]. 计算机应用, 2021, 41(10): 3010-3016. |
[11] | 李自强, 王正勇, 陈洪刚, 李林怡, 何小海. 基于外观和动作特征双预测模型的视频异常行为检测[J]. 计算机应用, 2021, 41(10): 2997-3003. |
[12] | 高世伟, 张长柱, 王祝萍. 基于可分离金字塔的轻量级实时语义分割算法[J]. 计算机应用, 2021, 41(10): 2937-2944. |
[13] | 卓禹心, 韩素雅, 张榆锋, 李支尧, 董毅峰. 基于超声谐波包络Nakagami参数图像的微波消融区域自动分割方法[J]. 计算机应用, 2021, 41(10): 3089-3096. |
[14] | 李敬虎 邢前国 郑向阳 李琳 王丽丽. 基于深度学习的无人机影像夜光藻赤潮提取方法[J]. 计算机应用, 0, (): 0-0. |
[15] | 任炜 白鹤翔. 基于全局与局部的多标签图像分类方法[J]. 计算机应用, 0, (): 0-0. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||