Multi-Label Learning with Emerging New Labels

论文相关内容

本文中解决多标记分类问题的方法：

在多标签学习任务中，对象拥有多个概念，其中每个概念由一个类标签表示。以往关于多标签学习的研究主要集中在一组固定的班级标签上，即，测试数据的类标签集与训练集中的类标签集相同。然而，在许多应用程序中，环境是动态的，可能会在数据流中出现新的概念。为了在这种环境下保持良好的预测性能，多标签学习方法必须具有检测和分类实例的能力。为此，我们提出了一种新的方法，称为多标签学习与新兴的新标签(MuENL)。它有三个功能:对当前已知标签上的实例进行分类，检测新标签的出现，并为每个新标签构造一个新的分类器，该分类器与已知标签的分类器协同工作。此外，我们还证明了MuENL可以很容易地扩展到处理稀疏的高维数据流，只需降低原始维数，然后将MuENL应用于降维空间。

本文主要思想和模型：

算法整体：

多标签分类器PLR：

检测器Dt：

多标签分类器的更新MNL：

检测器的更新：简单的基于Xt重新构造。

总结

1、相关背景：多标签学习中测试数据标签和训练数据标签不一致的情况。
2、问题是什么：针对有新出现的标签构造多标签分类器。
3、现有的解决方案：据我所知除本文外好像没有针对新出现标签的多标签学习。
4、作者的核心思想、创新点在哪里：本文针对对有新标签出现的多标签学习问题本文提出了MuENL方法（包含3个组成部分,1、已知标签的多标签分类器的构造、2、针对新标签的检测器、3、分类器和检测器的更新过程）和其针对高维稀疏数据的扩展版本MuENLHD，使用了流核主成成分分析进行维度约简。
5、通过什么样的实验进行验证：在5个多标签数据集上使用了9个算法4个度量标准进行多种不同的实验验证了本文模型性能的先进性。
6、对我的启发：有时提出问题比解决问题更不易。