基于双标签集的标签匹配集成学习算法

doi:10.11772/j.issn.1001-9081.2014.09.2577

计算机应用 ›› 2014, Vol. 34 ›› Issue (9): 2577-2580.DOI: 10.11772/j.issn.1001-9081.2014.09.2577

基于双标签集的标签匹配集成学习算法

张丹普¹,²,王莉莉¹,²,付忠良¹,李昕¹,²

1. 中国科学院成都计算机应用研究所，成都 610041；
2. 中国科学院大学，北京 100049

收稿日期:2014-04-02 修回日期:2014-06-08 发布日期:2014-09-30 出版日期:2014-09-01
通讯作者: 张丹普
作者简介:
张丹普(1986-),女,河南平顶山人,博士研究生,主要研究方向:机器学习、模式识别;
王莉莉(1987-),女,河南周口人,博士研究生,主要研究方向:机器学习、模式识别;
付忠良(1967-),男,重庆合川人,研究员,博士生导师,主要研究方向:机器学习、模式识别;
李昕(1985-),男,陕西汉中人,博士研究生,主要研究方向:图形图像处理、模式识别。
基金资助:
四川省科技支撑计划项目

Ensemble learning algorithm for labels matching based on pairwise labelsets

ZHANG Danpu¹,²,WANG Lili¹,²,FU Zhongliang¹,LI Xin¹,²

1. Chengdu Institute of Computer Application, Chinese Academy of Sciences, Chengdu Sichuan 610041, China
2. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2014-04-02 Revised:2014-06-08 Online:2014-09-30 Published:2014-09-01
Contact: ZHANG Danpu

摘要/Abstract

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。

Abstract:

It is called labels matching problem when two labels of an instance come from two labelsets respectively in multi-label classification, however there is no any specific algorithm for solving such problem. Although the labels matching problem could be solved by tranditional multi-label classification algorithms, but this problem has its own particularity. After analyzing the labels matching problem, a new labels matching algorithm based on pairwise labelsets was proposed using adaptive method, which considered the real Adaptive Boosting (real AdaBoost) and the global optimization idea. This algorithm could learn the rule of labels matching well and complete matching. The experimental results show that, compared with the traditional algorithms, the new algorithm can not only reduce searching scope of the labels space, but also decrease the minimum learning error as the number of weak classifiers increases, and make the classification more accurate and faster.

中图分类号:

TP391.4

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.

参考文献

［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〗FRNKRANZ J, HLLERMEIER E, LOZA MENCA 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]	张佳慧李晓明张嘉祥. 强化形态感知的路面缺陷检测算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[2]	杨建锋陈斌李雨轩. 基于点云重构的自监督点云异常检测方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[3]	蒋畅江向杰何旭颖. 面向机械臂抓取的双目视觉目标定位算法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	边小勇胡其仁袁培洋. 多注意力对比学习的红外小目标检测[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[5]	李钟华钟庚辛范萍朱恒亮. 通过边界挖掘和背景引导的伪装目标检测[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[6]	吴松霖张广朝姚远彭博. 基于判别区域引导的多视图困难气道识别[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[7]	李强白少雄熊源袁薇. 基于视觉大模型隐私保护的监控图像定位[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[8]	况世雄姚俊波陆佳炜王琪冰肖刚. 基于动态图卷积网络的电梯乘客异常行为数据增强方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[9]	康斌陈斌王俊杰李昱林赵军智咸伟志. 基于多粒度共享语义中心关联的文本到人物检索方法[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[10]	王磊胡节彭博. 用于半监督火灾检测的分布自适应和动态课程伪标签框架[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[11]	王子怡李卫军刘雪洋丁建平刘世侠苏易礌. 基于Swin Transformer与多尺度特征融合的图像描述方法#br# [J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[12]	熊炜, 陈奕博, 张丽真, 杨茜, 邹勤. 利用多帧序列影像的自监督单目深度估计[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3907-3914.
[13]	付可意, 王高才, 邬满. 基于改进区域提议网络和特征聚合小样本目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3790-3797.
[14]	杨成昊, 胡节, 王红军, 彭博. 基于注意力机制的不完备多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3784-3789.
[15]	方鹏, 赵凡, 王保全, 王轶, 蒋同海. 区块链3.0的发展、技术与应用[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3647-3657.

基于双标签集的标签匹配集成学习算法

Ensemble learning algorithm for labels matching based on pairwise labelsets

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics