LIFT: Multi-Label Learning with Label-Specific Features

最新推荐文章于 2024-01-25 13:35:12 发布

翻译最新推荐文章于 2024-01-25 13:35:12 发布 · 1.2k 阅读

多标签学习同时被 3 个专栏收录

14 篇文章

订阅专栏

机器学习

12 篇文章

订阅专栏

聚类

1 篇文章

订阅专栏

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

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
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
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/

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

hinanmu

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

多标签学习：LIFT: Multi-Label Learning with Label-Specific Features

Life in Technicolor

07-05

6262

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

1301

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

3 条评论您还未登录，请先登录后发表或查看评论

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

1528

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

1565

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

725

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

2384

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

7294

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

823

Collaborative Learning of Label Semantics and Deep Label-Specific Features for MLC

weixin_44261106的博客

02-13

879

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

lift提升算法

04-10

lift提升算法的分析实现基于原始算法的提升运算

论文学习记录随笔多标签之LIFT

ALBlack的博客

06-29

1180

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

论文学习记录随笔多标签之LSML

ALBlack的博客

06-27

4256

原文: Huang, J., Qin, F., Zheng, X., Cheng, Z.-K., Yuan, Z.-X., Zhang, W.-G., & Huang, Q.-M. (2019). Improving multi-label classification with missing labels by learning label-specific features. Information Sciences, 492, 124–146. 本文主要是对这个论文进行初步阅读的感受和观点....

Multi-Label Adversarial Perturbations

我的博客

10-05

984

文章目录Multi-Label Adversarial Perturbations1.介绍1.1多标签对抗样本广泛存在于现实生活中。1.2生成多标签对抗样本的挑战。1.3针对多标签攻击本文设计了2种框架4种方法2.符号2.1有目标攻击定义3.多标签目标攻击3.1 Classification-targeted Framework3.1.1 ML-CW3.1.2 ML-DeepFool3.2 Ran...

nvidia-docker离线安装包

11-25

安装顺序 dpkg -i libnvidia-container1_1.13.5-1_amd64.deb dpkg -i libnvidia-container-tools_1.13.5-1_amd64.deb dpkg -i nvidia-container-toolkit-base_1.13.5-1_amd64.deb dpkg -i nvidia-container-toolkit_1.13.5-1_amd64.deb dpkg -i nvidia-docker2_2.13.0-1_all.deb dpkg -i nvidia-container-runtime_3.13.0-1_all.deb

触点云 iOS 联动交互控制

11-25

智慧社区中主要分业主与访客，业主可以通过集成该SDK的手机APP，轻松且安全的出入社区大门及楼栋相对应的大门。业主的车及访客的车进入小区都可以通过集成该SDK的手机APP进行进出小区的相应预约设置。如果想进一步了解触点云业务或者购买我们公司的智能设备的可以登录[泛达集团官网](http://www.farbell.com.cn/ "泛达集团官网")或[触点云开放平台](http://open.trudian.com/web/#/ "触点云开放平台")。 ## 业务场景 ### 家庭管理使用场景管理家庭成功，让每个家庭成员也有同等的业务功能。如果你的房子用于出租，则有房东与租客关系，利用家庭管理关系租客在正常租房时可以有相应开门权限，当退租的时候。则不能使用原有的权限。 ### 增值服务使用场景提供平台给业主二手物品交易，提供房屋买卖平台和推荐获收益渠道 ### 积分商场使用场景让业主足不出户就能优惠的购买的日常需要的物品，同时与周边的餐饮店合作提供优惠的价格给业主。

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究（Matlab实现）

11-25

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究（Matlab实现）内容概要：本文研究了一种基于机器学习（ML）和离散小波变换（DWT）的电能质量扰动分类方法，并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解，提取信号的时频域特征，有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息；随后结合机器学习分类器（如SVM、BP神经网络等）对提取的特征进行训练与分类，实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势，结合ML强大的模式识别能力，提升了分类精度与鲁棒性，具有较强的实用价值。; 适合人群：电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员；具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标：①应用于智能电网中的电能质量在线监测系统，实现扰动类型的自动识别；②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台；③目标是提高电能质量扰动分类的准确性与效率，为后续的电能治理与设备保护提供决策依据。; 阅读建议：建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤，重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响，并尝试对比不同机器学习模型的分类效果，以全面掌握该方法的核心技术要点。

小爱课程表适配教程[源码]