论文笔记: 多标签学习 ACkEL

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 $k$-labelsets ensemble (RA$k$EL) 随机地将 $k$ 个标签融合成一个具有 $2^k$ 个属性值的决策属性. 如: cat + dog $\to$ {$\varnothing$, {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 $k$;
• 多个分类器还可以进一步融合.

AC$k$EL 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