Label distribution learning with high‐order label correlations

正规化(语言学) 成对比较 人工智能 计算机科学 模棱两可 模式识别(心理学) 特征选择 机器学习 分布(数学) 多标签分类 数学 程序设计语言 数学分析
作者
Yulin Li,Yaojin Lin,Xiehua Yu,Lei Guo,Shaozi Li
出处
期刊:Concurrency and Computation: Practice and Experience [Wiley]
卷期号:35 (21)
标识
DOI:10.1002/cpe.7710
摘要

Summary Label distribution learning (LDL) is an emerging learning paradigm, which can be used to solve the label ambiguity problem. In spite of the recent great progress in LDL algorithms considering label correlations, the majority of existing methods only measure pairwise label correlations through the commonly used similarity metric, which is incapable of accurately reflecting the complex relationship between labels. To solve this problem, a novel label distribution learning method—based on high‐order label correlations (LDL‐HLC) is proposed. By virtue of the ‐regularization sparse reconstruction of the label space, the high‐order label correlations matrix is firstly obtained. Then, a new regular term can be constructed to fit the final prediction label distribution via the correction matrix. Furthermore, efficient classification performance and complete feature selection are guaranteed by common features learning via ‐regularization. Finally, the performance and effectiveness of the proposed algorithm are well illustrated through extensive experiments on 14 label distribution datasets and comparisons with some existing algorithms.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
真君山山长完成签到,获得积分10
刚刚
张岱帅z完成签到,获得积分10
1秒前
Ava应助跳跃的梦凡采纳,获得20
1秒前
冷傲的道罡完成签到,获得积分10
1秒前
2秒前
2秒前
Ysheng完成签到,获得积分10
2秒前
xiao142发布了新的文献求助10
2秒前
微甜柠檬发布了新的文献求助10
2秒前
2秒前
ZHOUZHEN完成签到,获得积分10
3秒前
干爆瓶颈完成签到,获得积分10
3秒前
Miller应助养乐多采纳,获得10
4秒前
4秒前
XD发布了新的文献求助10
5秒前
FashionBoy应助sc采纳,获得10
5秒前
ze发布了新的文献求助10
5秒前
5秒前
SHD发布了新的文献求助10
5秒前
6秒前
supering11完成签到,获得积分10
6秒前
6秒前
萧a完成签到,获得积分10
6秒前
6秒前
Wtony完成签到 ,获得积分10
6秒前
碧蓝幻天完成签到,获得积分10
7秒前
华仔应助科研通管家采纳,获得10
7秒前
田様应助科研通管家采纳,获得10
7秒前
Ava应助科研通管家采纳,获得10
7秒前
Hello应助科研通管家采纳,获得10
7秒前
Estrella应助科研通管家采纳,获得10
7秒前
7秒前
7秒前
7秒前
8秒前
cis2014完成签到,获得积分10
8秒前
领导范儿应助e394282438采纳,获得10
8秒前
开心的自行车完成签到,获得积分10
9秒前
文右三完成签到,获得积分10
9秒前
9秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3147464
求助须知:如何正确求助?哪些是违规求助? 2798635
关于积分的说明 7830317
捐赠科研通 2455424
什么是DOI,文献DOI怎么找? 1306789
科研通“疑难数据库(出版商)”最低求助积分说明 627899
版权声明 601587