面向缺失标签的基于数据依赖标签相关性多标签学习

摘要

多标签学习旨在将给定的数据实例与一个或多个类别标签进行关联，然而，现实场景中的多标签数据常常面临标签缺失问题，这不仅增加了模型的复杂性，还可能造成预测结果的偏差.多数现有多标签学习算法侧重于使用预学习的标签相关性来恢复缺失的标签，但在重构标签空间时没有考虑原始标签空间与标签相关矩阵的契合度，因此可能引入数据噪声和虚假特征标签依赖关系，影响模型的泛化能力.为了解决这一问题，提出一种基于数据依赖的动态标签相关性多标签学习方法（Data-Dependent Dynamic Label Correlation Learning,DDLC）.具体地，模型通过正则项约束保持标签相关性的同时，设计动态映射函数，使分类模型在恢复缺失标签的同时抑制噪声对输出空间的干扰，自适应调整不同场景下的标签关联程度.在多个基准数据集上的实验证明了提出的方法的优越性能与良好的实际应用前景.

关键词

多标签学习 / 标签缺失 / 标签相关性 / 标签特定特征 / 近端梯度下降