软件学报

作者：欧阳宵，陶红，范瑞东，矫媛媛，侯臣平

单位：欧阳宵，国防科技大学 文理学院, 湖南 长沙 41007311,陶红，国防科技大学 文理学院, 湖南 长沙 41007302,范瑞东，国防科技大学 文理学院, 湖南 长沙 41007303,矫媛媛，国防科技大学 系统工程学院, 湖南 长沙 41007304,侯臣平，国防科技大学 文理学院, 湖南 长沙 41007305

关键词：多标签学习;弱监督学习;标签相关性;先验信息;完全缺失标签

基金：国家自然科学基金(61922087, 61906201, 62006238, 62136005); 湖南省杰出青年基金(2019JJ20020)

多标签学习是一种非常重要的机器学习范式. 传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下, 它们需要对所有或部分数据进行准确的属于多个类别的标注. 在许多实际应用中, 拥有大量标注的标签信息往往难以获取, 限制了多标签学习的推广和应用. 与之相比, 标签相关性作为一种常见的弱监督信息, 它对标注信息的要求较低. 如何利用标签相关性进行多标签学习, 是一个重要但未研究的问题. 提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC). 该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵; 同时, 利用先验信息对数据的投影矩阵进行约束, 并引入回归项对指示矩阵进行修正. 与现有方法相比, WSMLLC模型的突出优势在于: 仅提供标签相关性先验, 就可以实现多标签样本的标签指派任务. 在多个公开数据集上进行实验验证, 实验结果表明: 在标签矩阵完全缺失的情况下, WSMLLC与当前先进的多标签学习方法相比具有明显优势.

来源：2023年第4期

《软件学报》期刊编辑部

查看软件学报杂志2023年第4期