基于标记与特征依赖最大化的弱标记集成分类

来源：软件学报杂志2017年第11期北京时间：

作者：谭桥宇,余国先,王峻,郭茂祖

单位：谭桥宇，西南大学 计算机与信息科学学院, 重庆 40071511,余国先，西南大学 计算机与信息科学学院, 重庆 40071502,王峻，西南大学 计算机与信息科学学院, 重庆 40071503,郭茂祖，北京建筑大学 电气与信息工程学院, 北京 10004404

摘要：弱标记学习是多标记学习的一个重要分支，近几年已被广泛研究并被应用于多标记样本的缺失标记补全和预测等问题.然而，针对特征集合较大、更容易拥有多个语义标记和出现标记缺失的高维数据问题，现有弱标记学习方法普遍易受这类数据包含的噪声和冗余特征的干扰.为了对高维多标记数据进行准确的分类，提出了一种基于标记与特征依赖最大化的弱标记集成分类方法EnWL.EnWL首先在高维数据的特征空间多次利用近邻传播聚类方法，每次选择聚类中心构成具有代表性的特征子集，降低噪声和冗余特征的干扰；再在每个特征子集上训练一个基于标记与特征依赖最大化的半监督多标记分类器；最后，通过投票集成这些分类器实现多标记分类.在多种高维数据集上的实验结果表明，EnWL在多种评价度量上的预测性能均优于已有相关方法.

关键词：弱标记学习;高维数据;特征子集;依赖最大化;集成分类

基金资助：国家自然科学基金（61402378，61571163，61532014，61671189）；重庆市基础与前沿研究项目（cstc2014jcyjA40031，cstc2016jcyjA0351）