基于最小非零冗余正则项的多标签学习方法

摘要

特征选择是一种通过选择最佳特征子集来增强多标签学习的有效技术.现有的研究表明，l₁-norm和l_2,1-norm是特征选择中被广泛使用的技术，并分别用以学习标签特定特征和公共特征.然而，现有的基于l₁-norm和l_2,1-norm的多标签学习忽略了特征之间的冗余干扰问题，即特征和标签之间语义信息丢失或重叠.对此，本文设计了最小化非零冗余正则项以解决冗余干扰问题，并考虑分别使用标签相关性和样例相关性约束标签特定特征和公共特征，以避免最小化冗余干扰时特征权重消失的情况.特别地，由于最小非零冗余正则项以二元范式呈现，致使常用的加速近端梯度算法（Fast Iterative Shrinkage-Thresholding Algorithm, FISTA）失效，而一般的交替求解算法时间复杂度较高，因此，设计了一种新颖的优化算法（approximate-FISTA）对模型进行求解.在7个多标签标准数据集上，对比目前较先进的7个算法的实验结果表明本文所提出的基于最小非零冗余正则项的多标签学习方法（MNRRML）具有较好的分类性能.

关键词

多标签学习 / 特征选择 / 最小非零冗余 / l₁-norm / l_2,1-norm