21、k-Labelsets 用于多媒体分类的研究与实践

k-Labelsets 用于多媒体分类的研究与实践

1. 多标签分类方法概述

多标签分类旨在为一个实例分配多个标签，目前有多种方法来解决这一问题，主要可分为一阶、二阶和高阶方法：
- 一阶方法 ：将多标签分类问题分解为多个独立的二分类问题。例如 BR 方法，为每个标签独立训练一个分类器。这种方法简单易实现，但由于未考虑标签间的相关性，效果欠佳。
- 二阶方法 ：考虑标签对之间的相关性。以 CLR 为例，通过标签对排序处理多标签学习问题。虽然在一定程度上有效，但在现实场景中，标签间的相关性不止局限于两两之间。
- 高阶方法 ：考虑标签间的高阶关系。如 RAkEL 方法，将多标签学习问题转化为多个多类分类问题，通过在标签空间中随机选择 k - 标签集并采用 LP 方法生成每个多类分类问题。高阶方法能处理更现实的标签相关性，但模型复杂度可能较高。

此外，还有一些方法关注局部标签相关性：
- ML - LOC ：认为标签相关性可能是局部的，仅由局部数据组共享。它通过为每个实例添加局部相关（LOC）代码来挖掘局部标签相关性。然而，LOC 代码对高维数据可能作用不大，且该方法只考虑局部标签相关性，未考虑全局相关性。
- GCC ：使用共现模式估计标签对之间的依赖关系，将标签对相关性代码嵌入特征空间以增强实例的特征表示，然后通过聚类在每个组中局部学习标签相关图。但在现实场景中，正例较少，共现模式可能无意义，且标签相关性可能是高阶的，不限于局部。

综合来看，同