高阶标签相关性模型

同时保持标签矩阵的高秩特性,并显式建模高阶标签相关性的多标签分类方法,在多个基准数据集上验证有效。

Chongjie, Si · 贾育衡 · 王冉 · 张敏灵 · 冯旸赫 · Qu, Chongxiao

IEEE Transactions on Knowledge and Data Engineering 2023

参数信息

基准数据集数量
12

技术优势

显式保留高阶相关

直接在原始标签矩阵上建模,避免低秩分解导致的相关性丢失。

能利用输入结构提升

利用输入的局部几何结构同时估计标签相关性和模型参数,实现相互增强。

验证覆盖广

在12个基准数据集上进行了比较研究,有效性得到验证。

应用场景