多视图偏多标记学习主要处理同时具有多个视图和多个相关标记但标记信息不完全准确的数据.现有多视图偏多标记学习方法大多采用两阶段的方式独立进行标记消歧与多标记分类,其分类性能有待提高.本文提出了一种多视图偏多标记分类与标记...多视图偏多标记学习主要处理同时具有多个视图和多个相关标记但标记信息不完全准确的数据.现有多视图偏多标记学习方法大多采用两阶段的方式独立进行标记消歧与多标记分类,其分类性能有待提高.本文提出了一种多视图偏多标记分类与标记消歧联合学习(joint learning of multi-view partial multi-label classification and label disambiguation,JL-MVPML-LD)框架.首先,对多视图特征进行多核融合并考虑不同视图的重要性;其次,自动挖掘实例相关性和标记相关性,并利用它们来促进多视图偏多标记分类和标记消歧的联合学习;最后,采用交替迭代方法进行求解.在3个数据集上27种情况下的实验结果验证了本文方法的有效性.展开更多
文摘多视图偏多标记学习主要处理同时具有多个视图和多个相关标记但标记信息不完全准确的数据.现有多视图偏多标记学习方法大多采用两阶段的方式独立进行标记消歧与多标记分类,其分类性能有待提高.本文提出了一种多视图偏多标记分类与标记消歧联合学习(joint learning of multi-view partial multi-label classification and label disambiguation,JL-MVPML-LD)框架.首先,对多视图特征进行多核融合并考虑不同视图的重要性;其次,自动挖掘实例相关性和标记相关性,并利用它们来促进多视图偏多标记分类和标记消歧的联合学习;最后,采用交替迭代方法进行求解.在3个数据集上27种情况下的实验结果验证了本文方法的有效性.
