導讀：ECAI 2016是歐洲展示AI科學成果的最佳場所，大會為研究人員提供了很好的機會，去介紹和聽取當代最優(yōu)秀的人工智能研究成果。

一種可擴展基于聚類的局部多標記分類方法（A Scalable Clustering-Based Local Multi-Label Classification Method）

 

摘要：多標記分類的目標是將多個標簽分配到一個單一的測試實例中。最近，越來越多的多標記分類應用出現(xiàn)了大-規(guī)模（large-scale）問題，其中實例，特征，和標記的數(shù)量要不就是其中有一個很大，要不就都非常巨大。為了解決該問題，在本文中，我們開發(fā)了一個基于聚類的局部多標簽分類方法，試圖減少實例、特征和標簽的大小問題。我們的方法由低維數(shù)據(jù)的聚類和局部模型學習組成。集體來說，就是通過將聚類分析應用于特征的子空間上，使原始數(shù)據(jù)集首先分解成幾個正規(guī)規(guī)模部分，本過程由監(jiān)督多標記降維技術誘導；然后，在每個數(shù)據(jù)集群上訓練一種高效的局部多標簽模型、META標簽分類器鏈。給定一個測試實例，只激活屬于最近集群的局部模型以進行預測。在十八個基準數(shù)據(jù)集上進行的大量實驗證明所提出的方法的效率堪比最好的算法。

第一作者簡介

Lu Sun

職位；北海道大學信息科學與技術研究生院博士

研究方向：大規(guī)模多標簽分類，多標簽特征選擇，聚類高維數(shù)據(jù)

相關學術論文：

·"Multi-Label Classification with Meta-Label-Specific Features"（ICPR2016）

· "Fast Random k-labelsets for Large-Scale Multi-Label Classification"（ICPR2016）

via：ECAI  2016

PS : 本文由雷鋒網獨家編譯，未經許可拒絕轉載！

原論文下載

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。