基于图谱的多标记特征选择算法

TP181; 特征选择在传统的单标记问题中已经得到深入的研究，但是大多数传统的特征选择算法却无法用于多标记问题。这是因为多标记问题中的每一个数据样本都同时与多个类标相关联，此时需要设计新的指标来评价特征。并且由于多个类标之间通常存在一定的关联性，在设计特征选择算法时还需要对类标的结构进行建模以利用类标的关联信息。采用谱特征选择（spectral feature selection，SPEC）框架解决上述问题。SPEC所需的相似性矩阵和图结构由样本类标的Jaccard相似性来构建，它能反映类标间的关联性。此外，所提出的方法属于过滤器模型，它独立于分类算法且不需要将多标记问题转化为单标记问题来处理...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 10; no. 4; pp. 543 - 553
Main Authors 严鹏, 李云
Format Journal Article
LanguageChinese
Published 南京邮电大学 计算机学院,南京,210023 2016
Subjects
spectral feature selection
label correlation
标记关联性
多标记学习
谱特征选择
multi-label learning
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1505064

Cover

More Information
Summary:TP181; 特征选择在传统的单标记问题中已经得到深入的研究，但是大多数传统的特征选择算法却无法用于多标记问题。这是因为多标记问题中的每一个数据样本都同时与多个类标相关联，此时需要设计新的指标来评价特征。并且由于多个类标之间通常存在一定的关联性，在设计特征选择算法时还需要对类标的结构进行建模以利用类标的关联信息。采用谱特征选择（spectral feature selection，SPEC）框架解决上述问题。SPEC所需的相似性矩阵和图结构由样本类标的Jaccard相似性来构建，它能反映类标间的关联性。此外，所提出的方法属于过滤器模型，它独立于分类算法且不需要将多标记问题转化为单标记问题来处理。在现实世界数据集上的实验验证了所提出算法的正确性和较好的性能。
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1505064