多标签分类_多标签分类文献阅读（5）

联合排名SVM和二进制相关性以及强大的低等级学习技术，可实现多标签分类(Joint Ranking SVM and Binary Relevance with robust Low-rank learning for multi-label classification)

摘要

多标签分类研究每个示例同时属于多个标签的任务。作为一种代表性方法，等级支持向量机(Rank-SVM)旨在使等级损失最小化，并且还可以减轻类不平衡问题的负面影响。然而，由于其用于阈值化的堆叠方式，它可能会遭受错误累积，从而降低最终分类性能。二进制相关性(BR)是另一种典型的方法，旨在最大程度地减少汉明损失只需一步学习。但是，它可能存在类不平衡问题，并且没有考虑标签相关性。为了解决上述问题，我们提出了一种新颖的多标签分类模型，该模型将排名支持向量机和二进制相关性与健壮的低秩学习(RBRL)结合在一起。RBRL继承了Rank-SVM的秩损失最小化优点，从而克服了BR遭受类不平衡问题并忽略标签相关性的缺点。同时，它利用了汉明损失的最小化和BR的一步学习优势，从而解决了Rank-SVM的缺点，包括另一个阈值学习步骤。此外，在低维标签空间的假设下，利用低秩约束进一步利用高阶标签相关性。此外，为了实现非线性多标签分类器，我们导出了核化RBRL。两种加速近端梯度法(APG)用于有效解决优化问题。几种最先进方法的广泛比较实验说明了我们的方法RBRL具有高度竞争性或优越的性能。

1、介绍

这项工作的贡献主要总结如下：

(1)我们提出了一种新颖的多标签分类模型，该模型将Rank-SVM和BR与强大的低秩学习结合在一起。

(2)与现有的低阶方法(主要是线性模型)不同，我们推导了核化RBRL，以捕获输入和输出之间的非线性关系。

(3)对于线性和内核RBRL，我们使用两种加速的近端梯度法(APG)来快速收敛，从而有效地解决优化问题。

(4)大量的实验证实了我们的方法RBRL优于几种最先进的MLC方法。

2、相关工作

3、问题描述

在本节中，我们首先提供基本的线性Rank-SVM模型。然后，我们通过二进制相关性将阈值化步骤纳入排名学习问题。接下来，利用低秩约束来进一步利用标签相关性。之后，我们提出线性模型的核化。最后，我们将提出的方法RBRL与Rank-SVM的其他变体方法进行了比较。

3.1、初步