针对标签特定特征多标签学习算法(multi-label learning with label-specific features,LIFT)未能在聚类以及分类阶段考虑标签相关性问题,提出一种基于标签相关性的标签特定特征多标签学习算法(multi-label learning with label-specifi...
详细信息
针对标签特定特征多标签学习算法(multi-label learning with label-specific features,LIFT)未能在聚类以及分类阶段考虑标签相关性问题,提出一种基于标签相关性的标签特定特征多标签学习算法(multi-label learning with label-specific features via label correlations,LFLC).将标签空间加入特征空间进行聚类构建分类模型,采用考虑标签相关性的聚类集成技术为每个标签构造标签特定特征,使用相关性矩阵构建无向完全图并挖掘图中标签集合相关性,通过树集成表达标签间多种不同结构的强相关性.在试验部分,采用涵盖不同领域的10个数据集,以Hamming Loss、Ranking Loss、One-error、Coverage、Average Precision和macroAUC为评估指标,进行了参数敏感性分析和统计假设检验.结果表明:结合聚类集成与标签间强相关性的LFLC算法较其他对比多标签算法整体上能取得较好的效果.
变分图自编码器是图嵌入研究中重要的深度学习模型，但存在着先验正态分布缺陷、训练过程中容易出现后验塌陷等问题．本文从建立云概念空间与隐空间的映射关系入手，引入云模型数字特征对网络中的节点进行不确定性概念表示，设计了一种基于多维云模型的变分图自编码器（Variational Graph Autoencoder based on Multidimensional Cloud Model,MCM-VGAE）．该模型实现了隐空间的多维云概念嵌入及相应的漂移性损失度量，将先验分布扩展为泛正态分布，利用多维正向云发生器及云包络带修正采样算法实现了重参数化过程，有效缓解了后验塌陷现象．在应用效果上，模型在多类型数据集上的链路预测、节点聚类、图嵌入可视化实验表现均优于基准模型，进一步说明了方法的普适有效性．
暂无评论