Improving multi-label classification with missing labels by learning label-specific features

论文相关内容

本文中解决多标记分类问题的方法：

现有的多标签学习方法主要利用由所有标签的特征组成的相同数据表示来判别所有的标签，并假设每个训练样本都观察到所有的类标签。然而，在多标签学习中，每个类的标签可能由其自身的一些特定特性决定，对于一些实际应用，只能得到每个例子的部分标签集。本文提出了一种学习标签特征的新方法——LSML，用于缺失标签的多标签分类。首先，在不完全标签矩阵的基础上，通过学习高阶标签关联，得到一个新的补充标签矩阵。然后，学习每个类标签的标签特定数据表示，并结合学习到的高阶标签关联，在此基础上同时构造多标签分类器。

本文主要思想和模型：

第一项加第四项为加入L1正则化的线性模型，学习标签特定的特征，YC为Y的补全，重构，第二项和第三项为Y的重构，利用标签关联获得补足的标签矩阵，最后一项为两个标签关联性越强其系数矩阵越相似。

总结

1、相关背景：现有的多标签方法主要基于所有特征组成的相同数据表示及没有缺失标签。
2、问题是什么：解决标签特定特征和只能观察到部分标签的情况。。
3、现有的解决方案：Glocal等方法。
4、作者的核心思想、创新点在哪里：本文提出了LSML及其变体LSMLp联合执行了不完整标签矩阵的补全及标签特定特征学习的联合优化。
5、通过什么样的实验进行验证：在16个多标签数据集上使用了7个算法7个度量标准进行的实验验证了本文模型性能的先进性。
6、对我的启发：如果论文思想不够新颖的话，就用实验来补足。