没有合适的资源?快使用搜索试试~ 我知道了~
首页马忠臣、陈松灿:多维分类的距离度量学习新方法
马忠臣、陈松灿:多维分类的距离度量学习新方法
需积分: 5 1 下载量 26 浏览量
更新于2024-07-17
收藏 378KB PDF 举报
本文主要探讨了"一种面向多维分类问题的距离度量方法",由马忠臣和陈松灿两位作者在南京航空航天大学计算机科学与技术学院完成。多维分类(MDC)相较于传统的多标签分类(MLC),具有更高的复杂性,因为它涉及到个体输入样本与多维离散输出变量之间的关系,这些输出维度可能具有不同的范围,并且对应着异构的语义结构,这就需要更为灵活且高效的处理方式。 研究的核心目标是解决MDC中的有效学习问题,关键在于如何充分利用输入样本间的维间和维内的关系。作者提出了一种创新的输出空间转换方法,它具有以下优点:首先,这种转换使得后续的学习在转化后的空间中变得更加直观和简单;其次,它能够体现明显的维内关系,有助于捕捉输出变量间的内在联系;此外,这种方法保持了原始输出空间的大小不变,避免了不必要的维度膨胀;同时,还克服了现有MDC转换方法的一些不足;最后,对于每个输出维度,它具有可分解性,便于进一步处理。 为了有效地处理转化后的问题,文章引入了一种新颖的马氏距离度量学习方法。这种方法的一个显著特点是能获得闭合解,这意味着计算过程中不会陷入局部最优,而是能找到全局最优的解决方案,这在理论和实践中都具有重要意义。马氏距离度量学习不仅适用于MDC,其本身的理论价值和通用性也值得深入研究。 通过大量的实验验证,作者证明了他们的方法在多数情况下能够超越现有的MDC最佳算法,在多维分类任务中展现出优越的性能。同时,即使在处理多标签分类数据集时,他们的距离度量学习方法也能展现出与专门设计的MLC方法相当的竞争优势。这篇论文对多维分类问题的度量学习提供了创新性的解决方案,为该领域的研究者提供了有价值的技术参考和理论支持。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/11566646/bg5.jpg)
˖ڍመڙጲ
http://www.paper.edu.cn
mance in comparison with its counterparts designed specifically for MLC.
The rest of the paper is structured as follows: We firstly introduce the required background
in the field of multi-dimensional classification in Section 2. Then we introduce MLKT in Section
3. Next, we present the details of the distance metric learning method in Section 4. We then
experimentally evaluate the proposed schemes in Section 5. Finally, we give concluding remarks
in Section 6.
1 Background
In this section, we review basic multi-dimensional classifiers.
In MDC, we have N labeled instances D = {(x
i
, y
i
)}
N
i=1
from which we wish to build
a classifier that associates multiple class values with each data instance. The data instance
is represented by a vector of d values x = (x
1
, . . . , x
d
), each drawn from some input domain
X
1
× · · · × X
d
. And the classes are represented by a vector of m values y = (y
1
, . . . y
m
) from
the domain Y
1
× · · · × Y
m
where each Y
j
= {1, . . . , K
j
} is the set of possible values for the
jth class variable. Specifically, we seek to build a classifier f that assigns each instance x to a
vector y of class values:
f : X
1
× · · · × X
d
→ Y
1
× · · · × Y
m
x : (x
1
, . . . , x
d
) 7→ y : (y
1
, . . . y
m
)
Independent classifiers method (IC) is a straightforward method for MDC. It trains m
classifiers f := (f
1
, . . . , f
m
) for each class variable. Specifically, a standard multi-class classifier
f
j
learns to associate one of the values y
j
∈ Y
j
to each data instance, where f
j
: X
1
×· · ·×X
d
→
Y
j
. However, it is unable to capture the dependencies among classes and suffers low accuracies
as illustrated in [5, 26, 27].
MDC has attracted more attentions recently and many multi-dimensional classifiers for
modeling the output structure of MDC have been proposed in recent years. As presented in
the introduction section, there are two main strategies:
1. Explicit representation of the dependence structure between class variables.
Classifier chains model (CC)[5, 6, 7, 28], Classifier trellises (CT) [26] and Multi-dimensional
Bayesian network classifiers (MBCs) [8, 9] were recently proposed methods following this
strategy for MDC. Specifically,
classifier chains model (CC) learns m classifiers, one for each class variable. These clas-
sifiers are linked at random order, such that the jth classifier uses as input features not
only the instance, but also the output predictions of the previous j − 1 classifiers, namely
- 5 -
剩余24页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
weixin_39840515
- 粉丝: 447
- 资源: 1万+
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- AirKiss技术详解:无线传递信息与智能家居连接
- Hibernate主键生成策略详解
- 操作系统实验:位示图法管理磁盘空闲空间
- JSON详解:数据交换的主流格式
- Win7安装Ubuntu双系统详细指南
- FPGA内部结构与工作原理探索
- 信用评分模型解析:WOE、IV与ROC
- 使用LVS+Keepalived构建高可用负载均衡集群
- 微信小程序驱动餐饮与服装业创新转型:便捷管理与低成本优势
- 机器学习入门指南:从基础到进阶
- 解决Win7 IIS配置错误500.22与0x80070032
- SQL-DFS:优化HDFS小文件存储的解决方案
- Hadoop、Hbase、Spark环境部署与主机配置详解
- Kisso:加密会话Cookie实现的单点登录SSO
- OpenCV读取与拼接多幅图像教程
- QT实战:轻松生成与解析JSON数据
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)