摘要: 分享对论文的理解. 原文见 Wang, R., Kwong, S., Wang, X., & Jia, Y. (2021). Active k-labelsets ensemble for multi-label classification. Pattern Recognition, 109, 107583.
1. 论文贡献
解决随机性属性集选择带来的问题.
2. 主要思想
Random k k k-labelsets ensemble (RA k k kEL) 随机地将 k k k 个标签融合成一个具有 2 k 2^k 2k 个属性值的决策属性. 如: cat + dog → \rightarrow → { ∅ \emptyset ∅, {cat}, {dog}, {cat&dog}}. 其优势是
- 体现了标签相关性;
- 属性里面 0 值 (这里相当于猫狗都没有) 更少, 有效缓解类别不均衡;
- 可以按照用户的需求来设置 k k k;
- 多个分类器还可以进一步融合.
AC k k kEL 增加了有倾向性的属性选择, 避免随机选择的弊端.
3. 小结
把多标签学习问题转成多类别学习问题, 这是原创的想法. 后面那些具体的招数都显得平平无奇了.
未完待续