LIFT: Multi-Label Learning with Label-Specific Features

最新推荐文章于 2024-11-11 17:20:15 发布
翻译 最新推荐文章于 2024-11-11 17:20:15 发布 · 1.2k 阅读 · 1

提出了一种基于聚类的多标签学习方法LIFT，通过挖掘每个类标签特有的特征，将数据集聚类得到标签对应的特征，再将原始特征转换为与聚类中心的距离，形成新的特征空间，最后采用二元相关策略进行训练和预测。

2015TPAMI-LIFT: Multi-Label Learning with Label-Specific Features

目前存在问题

由于每个类标签都应具有自己的特定特征，现有方法没有考虑到

解决问题的途径

聚类，提取每个标签所具有的特征

解决方法

对每个标签为1和-1的数据集x分别进行聚类，得到标签对应特征

方法详细描述
  1. 每个标签为1和-1的数据集x分别进行聚类，得到标签对应特征，比如标签为1聚类成10簇，标签为-1聚类成10个簇
  2. 把之前的x信息换成，x和这20个簇的距离，这样变成20维特征，构成新的数据集
  3. 在训练时使用普通的BR对每个标签单独训练，预测时每个标签单独预测
创新点

挖掘每个类标签都应具有自己的特定特征

code

http://palm.seu.edu.cn/zhangml/

多标签学习：LIFT: Multi-Label Learning with Label-Specific Features
Life in Technicolor
07-05 6268
多标签学习：LIFT: Multi-Label Learning with Label-Specific Features @(Machine Learning) Intro LIFT是张敏灵教授提出的多标签(multi-label)的学习方法。关于multi-label的介绍可以看我这篇博客，其中主要描述了multi-class、multi-label、multi-task的定义和区别...
浅读论文Learning Label Specific Features for Multi-Label Classification (2022/04/10)
qq_49293687的博客
04-10 1304
目录idea算法流程学习标签特定特征利用标签相关性 idea 在多标签分类学习中，经典的Binary relevance (BR)方法存在类不平衡，计算成本繁重及忽略标签相关性的问题。所以本文提出学习每个标签的标签特定特征来增强分类效果。文中假设每个标签只与原始特征集中的一个特征子集相关联，并且任何两个强相关的类标签可以比两个不相关或弱相关的标签共享更多的特征。 算法流程 用{(x1,y1),(x2,y2),…,(x3,y3)}\{(\mathbf{x}_1, \mathbf{y}_1), (\mathb
论文阅读笔记——Multi-Label Learning with Global and Local Label Correlation（具有全局和局部标签相关性的多标签学习）
qq_35368303的博客
02-01 1534
一、低秩矩阵 如果X是一个m行n列的数值矩阵，rank(X)是X的秩，假如rank (X)远小于m和n，则我们称X是低秩矩阵。低秩矩阵每行或每列都可以用其他的行或列线性表出，可见它包含大量的冗余信息。利用这种冗余信息，可以对缺失数据进行恢复，也可以对数据进行特征提取。 二、矩阵填充 已知A的秩rank(A)<<m且rank(A)<<n，那么我们可以通过矩阵各行(列)之间的线性相关将丢失的元素求出。你会问，这种假定我们要恢复的矩阵是低秩的，合理吗？实际上是十分合理的，比如一个用户
论文笔记：多标签学习——LIFT算法
Z__XY_的博客
06-26 1571
原文见 Zhang, M.-L., & Wu, L. (2015). LIFT: Multi-label learning with label-specific features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, 107–120.在线地址 特点 把多标签问题转换成了多个二分类问题。关键步骤符号系统主要过程： Step1： 将数据集分为标签含有lk(k∈[0,q])l_k(k\in[0,q])lk​(k∈
LIFT: Multi-Label Learning with Label-Specific Features(LIFT)--文献翻译
qq_42014059的博客
05-03 727
2015-IEEE 论文链接：Lift: Multi-Label Learning with Label-Specific Features | IEEE Journals & Magazine | IEEE Xplore 摘要 多标签学习处理每个训练示例由单个实例表示同时与一组类标签相关联的问题。对于一个看不见的例子，现有的方法选择基于相同的特征集来确定每个可能的类标签的成员资格，即在所有标签的辨别过程中都采用了看不见的例子的实例表示。然而，这种常用的策略可能不是...
论文翻译：OK-Robot: What Really Matters in Integrating Open-Knowledge Models for Robotics
机器学习实战
01-25 2422
图1：OK-Robot是一种开放知识机器人系统，集成了多种在公开可用数据上训练的学习模型，用于在现实环境中拾取和放置物体。利用诸如CLIP、Lang-SAM、AnyGrasp和OWL-ViT等开放知识模型，OK-Robot在10个未见过的、混乱的家庭环境中实现了58.5%的成功率，在更干净、整理过的环境中达到了82.4%。摘要—近年来，在视觉、语言和机器人领域取得了显著的进展。我们现在拥有能够根据语言查询识别物体的视觉模型，能够有效控制移动系统的导航系统，以及能够处理各种物体的抓取模型。
【ECCV2020】接收论文列表part1
TomRen
07-18 7325
ECCV2020 接收论文完整列表 看论文学CV
Multi-Label Learning With Label Specific Features Using Correlation Information
qq_42722278的博客
09-06 828
论文相关内容 本文中解决多标记分类问题的方法： 为了解决每个实例与多个标签关联的问题，近年来开发了许多多标签学习算法。提出了选择标签特征的方法，利用识别特征进行多标签分类。虽然在学习标签特定的特性时考虑了标签相关性，但是很少考虑实例之间的关键相关性。本文在考虑标签空间相关信息和特征空间相关信息的基础上，提出了一种利用相关信息(LSF-CI)学习标签特征的多标签学习方法。在LSF-CI中，特征空间中...
Collaborative Learning of Label Semantics and Deep Label-Specific Features for MLC
weixin_44261106的博客
02-13 885
Collaborative Learning of Label Semantic and Deep Label-Specific Features for Multi-Label Classification笔记整理 首先这篇文章的介绍按照8部Idea总结法来进行阅读，培养自己的逻辑思维能力 背景 这篇论文的背景是Label-specific feature的方法来解决传统的多标签问题。其所用的数据集不是MS-COCO这种纯图片数据，而是MULAN这种Text数据。 一个具体的研究问题 大部分解决多标签的方
论文学习记录随笔 多标签之LIFT
ALBlack的博客
06-29 1189
原文: Zhang, M.-L., & Wu, L. (2015). LIFT: Multi-label learning with label-specific features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, 107–120. 本文主要是我对于初读LIFT的一些自己的笔记与感悟
Multi-label learning 第一周
Kodoo的专栏
11-09 4257
Multi-Label Learning 第一周Multi-Label Learning 第一周 Multi-Label Learning的含义 传统机器学习 多标签学习 Multi-Label Learning 算法 分解为多个单标签问题 标签排序 发现类间内在联系 Multi-Label Learning 算法的评估指标Multi-Label Learning的含义  从今天开始Multi-La
多标签学习与深度森林学习笔记
goodljq的博客
05-21 1368
周志华老师团队Multi-Label Learning with Deep Forest (MLDF)报道很多，各大机器学习平台也都就这篇文章的亮点给出了分析。近日在准备组会报告时较为详细地拜读了一下，也由此简单了解了一下多标签学习的相关内容。 正如论文作者所述，MLDF的最大优势在于： 限制模型复杂性以防止过拟合 可以根据用户需求进行优化 实验表明，在多个标准数据集（benchmark dataset）上，深度森林在六种多标签学习的评价方法中取得了最佳表现，同时也具有在多标签问题中研
Multi-Label Learning 笔记一A Review on Multi-Label Learning Algorithms
qq_36822881的博客
04-02 8830
1、定义      定义为d维的实体空间，为q个可能标签的标签空间。multi-label learning就是从multi-label training set中学习函数 。对于每个multi-label example 是一个d维的特征向量，就是与相关的一组标签。对于没有出现过的实体，多标签分类器为x预测出一组合适的标签。2、主要挑战       1、随着标签的增加，输出空间成指数性增长（20...
基于标签相关性的多标签学习
最新发布
是微风，是晚霞，是无可替代
11-11 1073
帕金森病是一种使人虚弱的慢性神经系统疾病。传统中医（TCM）是一种诊断帕金森病的新方法，而用于诊断帕金森病的中医数据集是一个多标签数据集。考虑到帕金森病数据集中的症状（标签）之间总是存在相关性，可以通过利用标签相关性来促进多标签学习过程。目前的多标签分类方法主要尝试从标签对或标签链中挖掘相关性。该文章提出了一种简单且高效的多标签分类框架，称为潜在狄利克雷分布多标签（LDAML），该框架旨在通过使用类别标签的主题模型来学习全局相关性。
多标签学习发展趋势
wuyanxue的专栏
10-25 1491
多标签学习研究综述
multi-task learning, multi-label learning, multi-class learning
NeXT_Vision的博客
01-08 934
文章目录1.单任务学习vs多任务学习2.什么是多任务学习3.多任务学习有效的原因4.相关（relate）定义5.多任务学习中的相关关系（task relationship）6.Multi-task Learning方法7.多任务学习与其他学习算法之间的关系8.多任务学习应用概述9.参考文献参考博客待阅读 1.单任务学习vs多任务学习   单任务学习：一次只学习一个任务（task），大部分的机器学习任务都属于单任务学习。   多任务学习：把多个相关（related）的任务放在一起学习，同时学习多个任务。   
Multi-label learning for BP
Randolph_Lee的博客
04-06 628
# -*- coding: utf-8 -*- """ Created on 2017/4/5 9:52 2017 @author: Randolph.Lee """ from __future__ import division from pybrain.structure import * from Evaluation_metrics import * from Threshold_fun
基于类属属性的多标记学习——含python代码
机器学习笔记
04-03 2776
  本文的基本内容翻译自Lift: Multi-Label Learning with Label-Specific Features[1]，含部分本人的理解，最后附带了我复现的python代码的github链接。 类属属性   所谓多标记学习是相对于单标记学习而言的一种机器学习问题。顾名思义，模型会对输入的特征向量返回多个label的预测结果，比如说给一张图片让程序判断其中是否有“蓝天”...
探索C语言编程：Lift-off-C 主题解析
根据提供的文件信息，我们可以推断出该文件与编程语言"C"有关，且可能是一个命名为“Lift-off-C”的项目或课程。由于缺少更多的详细信息，我们无法确定确切的上下文或内容，但我们可以围绕"C"语言以及与"升空"这一...
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值