高阶标签多标签学习

多视图降维分类

通过构造高阶标签相关矩阵并利用多视图学习与降维，在低维空间中构建分类器，以挖掘标签间关系。

刘波 · Weibin, Li · 肖燕珊 · 陈晓东 · Liu, Laiwang · Liu, Changdong · Wang, Kai · Peng, Sun

Information Sciences 2023

技术优势

高阶标签建模

采用高阶策略构造标签相关矩阵，能够刻画标签之间复杂的相互关系，而不仅限于成对相关。

多视图融合

利用多视图学习与降维挖掘高层潜在语义标签信息和潜在特征信息，在低维空间中构建分类器，降低计算复杂度。

保持数据结构

引入流形正则项，使低维空间中的数据样本保持与原始数据相同的内在结构，提升分类准确性。

应用场景

• 多标签分类：直接用于多标签分类任务，提高标注效率。
• 多视图数据融合：融合多个视图的信息，提升分类模型的鲁棒性和准确性。
• 物联网数据分析：处理物联网中多源异构数据，实现高效多标签识别。