Expand globally, shrink locally: Discriminant multi-label learning with missing labels
Expand globally, shrink locally: Discriminant multi-label learning with missing labels
复制标题
全局扩展，局部收缩：缺失标签的判别式多标签学习
DOI：
10.1016/j.patcog.2020.107675
复制
发表时间：
2020-04
影响因子：
8
通讯作者：
Songcan Chen
中科院分区：
文献类型：
--
作者：
Zhongchen Ma;Songcan Chen
在多标签学习中，缺失标签的问题带来了一个重大挑战。许多方法试图利用标签矩阵的低秩结构来恢复丢失的标签。然而，这些方法只利用了全局的低秩标签结构，在一定程度上忽略了局部的低秩标签结构和标签判别信息，为进一步的性能改进留下了空间。在本文中，我们开发了一个简单而有效的判别式多标签学习（DM2L）方法，用于缺失标签的多标签学习。具体来说，我们对来自相同标签的实例的所有预测施加低秩结构（秩的局部收缩），并对来自不同标签的实例的预测施加最大分离结构（高秩结构）（秩的全局扩展）。以这种方式，这些强加的低秩结构可以帮助对局部和全局低秩标签结构进行建模，而强加的高秩结构可以帮助提供更多的潜在可辨别性。我们随后的理论分析也支持这些直觉。此外，我们通过使用核技巧来增强DM2L，并建立一个凹凸目标来学习这些模型，提供了一个非线性扩展。与其他方法相比，我们的方法涉及的假设最少，只有一个超参数。即便如此，大量的实验表明，我们的方法仍然优于国家的最先进的方法。
In multi-label learning, the issue of missing labels brings a major challenge. Many methods attempt to recovery missing labels by exploiting low-rank structure of label matrix. However, these methods just utilize global low-rank label structure, ignore both local low-rank label structures and label discriminant information to some extent, leaving room for further performance improvement. In this paper, we develop a simple yet effective discriminant multi-label learning (DM2L) method for multi-label learning with missing labels. Specifically, we impose the low-rank structures on all the predictions of instances from the same labels (local shrinking of rank), and a maximally separated structure (high-rank structure) on the predictions of instances from different labels (global expanding of rank). In this way, these imposed low-rank structures can help modeling both local and global low-rank label structures, while the imposed high-rank structure can help providing more underlying discriminability. Our subsequent theoretical analysis also supports these intuitions. In addition, we provide a nonlinear extension via using kernel trick to enhance DM2L and establish a concave-convex objective to learn these models. Compared to the other methods, our method involves the fewest assumptions and only one hyper-parameter. Even so, extensive experiments show that our method still outperforms the state-of-the-art methods.
登录
查看更多内容
DOI：
10.1109/tasl.2007.913750
发表时间：
2008-02-01
影响因子：
--
作者：
Turnbull, Douglas;Barrington, Luke;Lanckriet, Gert
通讯作者：
Lanckriet, Gert
通过学习特定于标签的特征来改进缺失标签的多标签分类
影响因子：
8.1
作者：
Huang, Jun;Qin, Feng;Huang, Qingming
通讯作者：
Huang, Qingming
DOI：
10.1016/j.patcog.2017.09.036
发表时间：
2018-02
期刊：
Pattern Recognit.
影响因子：
--
作者：
Peng Fei Zhu;Qian Xu;Q. Hu;Changqing Zhang;Hong Zhao
通讯作者：
Peng Fei Zhu;Qian Xu;Q. Hu;Changqing Zhang;Hong Zhao
DOI：
10.5555/2789272.2789279
发表时间：
2013-09
期刊：
ArXiv
影响因子：
--
作者：
Qiang Qiu;G. Sapiro
通讯作者：
Qiang Qiu;G. Sapiro
DOI：
10.1109/icdm.2014.125
发表时间：
2014-12
期刊：
2014 IEEE International Conference on Data Mining
影响因子：
--
作者：
Linli Xu;Zhen Wang;Zefan Shen;Yubo Wang;Enhong Chen
通讯作者：
Linli Xu;Zhen Wang;Zefan Shen;Yubo Wang;Enhong Chen