ECAI 2016论文精选 | 一种可扩展基于聚类的局部多标记分类方法

导读：ECAI 2016是欧洲展示AI科学成果的最佳场所，大会为研究人员提供了很好的机会，去介绍和听取当代最优秀的人工智能研究成果。

一种可扩展基于聚类的局部多标记分类方法（A Scalable Clustering-Based Local Multi-Label Classification Method）

 

摘要：多标记分类的目标是将多个标签分配到一个单一的测试实例中。最近，越来越多的多标记分类应用出现了大-规模（large-scale）问题，其中实例，特征，和标记的数量要不就是其中有一个很大，要不就都非常巨大。为了解决该问题，在本文中，我们开发了一个基于聚类的局部多标签分类方法，试图减少实例、特征和标签的大小问题。我们的方法由低维数据的聚类和局部模型学习组成。集体来说，就是通过将聚类分析应用于特征的子空间上，使原始数据集首先分解成几个正规规模部分，本过程由监督多标记降维技术诱导；然后，在每个数据集群上训练一种高效的局部多标签模型、META标签分类器链。给定一个测试实例，只激活属于最近集群的局部模型以进行预测。在十八个基准数据集上进行的大量实验证明所提出的方法的效率堪比最好的算法。

第一作者简介

Lu Sun

职位；北海道大学信息科学与技术研究生院博士

研究方向：大规模多标签分类，多标签特征选择，聚类高维数据

相关学术论文：

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

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

via：ECAI  2016

PS : 本文由雷锋网独家编译，未经许可拒绝转载！

原论文下载

雷峰网原创文章，未经授权禁止转载。详情见转载须知。