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

最新推荐文章于 2025-11-04 21:29:23 发布
原创 最新推荐文章于 2025-11-04 21:29:23 发布 · 6.2k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

LIFT是由张敏灵教授提出的多标签学习方法，旨在处理multi-label问题。它通过构造标签特定特征和分类模型进行学习。算法主要包括两个步骤：标签特定特征构建和分类模型诱导。在特征构建阶段，通过对训练样本的正负类划分和聚类，创建新特征。随后，使用这些特征与分类器（如SVM）配合进行分类。LIFT在实验中表现出优秀的多标签分类效果。

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。
本人根据论文总结了LIFT算法，并根据提供的matlab语言的code，完成了LIFT算法的Python版本，主要用到了sklearn提供的api，以便我自己使用该算法。

论文原文、论文代码和我重写的Python版本的LIFT代码可以在文末的Source找到

Algorithm

论文给出的伪代码：

1

根据论文，LIFT可以分为两个步骤：
1. label-specific features construction
2. classification models induction

其中主要的是第一个步骤，构造标签间关系定义的特征，其也可以包括下面的步骤：

  1. 将训练样本划分为正类和负类：

最低0.47元/天 解锁文章
Multi-label learning 第一周
Kodoo的专栏
11-09 4261
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
Multi-label learning for BP
Randolph_Lee的博客
04-06 629
# -*- 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
多标签学习（MLL）；标签分布学习（LDL）
最新发布
2503_91724618的博客
11-04 595
标签分布学习是多标签学习的一个扩展，在该方法中，每个标签不是简单地被标记为0或1，而是被分配一个表示该标签“描述度”或“概率”的值（通常是一个在[0,1]范围内的实数），表示标签的不确定性或模糊性。再靠先验+自注意力把它“收束”为 D。MLL的训练数据是样本以及对应的0/1的标签，目标就是对每个标签进行二元分类，推理过程为输入样本和对应的标签，模型输出标签里是为真和为假。LDL训练数据是样本和对应的标签的概率分布，而不是0/1，目标是模型拟合概率分布，推理过程是输入样本的标签，输出一个标签的概率分布。
多标签学习（multi-label learning）扫盲，混淆矩阵
Hello Word!
07-21 4395
1，MLL 没有单独的直观的二维混淆矩阵，sklearn的实现是多少label就有多少混淆矩阵，每个label一个2x2的混淆矩阵。 （每个label的值是0/1） from sklearn.metrics import multilabel_confusion_matrix import numpy as np classes = ['green', 'black', 'red', 'blue'] targetSrc = [[0,1,1,1], [0,0,1,0], [1,0,0,1], [1,1,1,0
LIFT: Multi-Label Learning with Label-Specific Features
weixin_44261106的博客
02-19 761
LIFT: Multi-Label Learning with Label-Specific Features笔记整理 背景 这篇为论文是Label-Specific Features在多标签应用的开篇之作 因为这篇文章较为简单，直入主题看作者如何构建标签具体的特征 THE LIFT APPROACH 首先这篇文章是一个first-order的多标签算法，意味着其没有考虑标签的相关性，而是一个标准的BR算法。因此作者将N个标签分开考虑。 首先对于第k的标签，作者现将其分类正样本和负样本。 之后作者利用聚类
LIFT: Multi-Label Learning with Label-Specific Features(LIFT)--文献翻译
qq_42014059的博客
05-03 733
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...
论文笔记：多标签学习——LIFT算法
Z__XY_的博客
06-26 1576
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∈
减少标签特定功能的多标签学习
03-02
多标签学习（Multi-label learning）： 多标签学习是机器学习的一个分支，它在每个实例上学习到的标签可以是多个，与传统的单标签学习相比，它更适用于处理现实世界中的复杂问题，例如图像识别和文本分类，其中可能...
【ECCV2020】接收论文列表part1
TomRen
07-18 7340
ECCV2020 接收论文完整列表 看论文学CV
Multi-Label Learning 笔记一A Review on Multi-Label Learning Algorithms
qq_36822881的博客
04-02 8834
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...
Multi-Label Ensemble Learning
02-29
Multi-label learning aims at predicting potentially multiple labels for a given instance. Conventional multi-label learning approaches focus on exploiting the label correlations to improve the accuracy of the learner by building an individual multi-label learner or a combined learner based upon a group of single-label learners. However, the gener- alization ability of such individual learner can be weak. It is well known that ensemble learning can effectively improve the generalization abil- ity of learning systems by constructing multiple base learners and the performance of an ensemble is related to the both accuracy and diver- sity of base learners. In this paper, we study the problem of multi-label ensemble learning. Specifically, we aim at improving the generalization ability of multi-label learning systems by constructing a group of multi- label base learners which are both accurate and diverse. We propose a novel solution, called EnML, to effectively augment the accuracy as well as the diversity of multi-label base learners. In detail, we design two objective functions to evaluate the accuracy and diversity of multi- label base learners, respectively, and EnML simultaneously optimizes these two objectives with an evolutionary multi-objective optimization method. Experiments on real-world multi-label learning tasks validate the effectiveness of our approach against other well-established methods.
多标签学习方法Multi-Label Learning by Exploiting Label Correlations Locally
我的博客
10-17 1903
文章目录Multi-Label Learning by Exploiting Label Correlations Locally2012 AAAISheng-Jun Huang Zhi-Hua Zhou摘要ML-LOC 方法框架算法流程 Multi-Label Learning by Exploiting Label Correlations Locally 2012 AAAI Sheng-Ju...
multi-task learning, multi-label learning, multi-class learning
NeXT_Vision的博客
01-08 942
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。   
多标签学习与深度森林学习笔记
goodljq的博客
05-21 1372
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
论文笔记: 多标签学习 LIFT 算法
minfanphd的博客
06-12 801
摘要: 分享对论文的理解. 原文见 Zhang, M.-L., & Wu, L. (2014). LIFT: Multi-label learning with label-specific features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, 107--120.
Multi-Label Learning with Emerging New Labels
qq_42722278的博客
09-06 528
论文相关内容 本文中解决多标记分类问题的方法： 在多标签学习任务中，对象拥有多个概念，其中每个概念由一个类标签表示。以往关于多标签学习的研究主要集中在一组固定的班级标签上，即，测试数据的类标签集与训练集中的类标签集相同。然而，在许多应用程序中，环境是动态的，可能会在数据流中出现新的概念。为了在这种环境下保持良好的预测性能，多标签学习方法必须具有检测和分类实例的能力。为此，我们提出了一种新的方法，称...
多标签学习Multi-Label Learning by Exploiting Label Dependency
我的博客
10-20 1831
文章目录Multi-Label Learning by Exploiting Label Dependency2010 KDDMin-Ling Zhang,Kun Zhang摘要介绍LEAD 方法基本思想一个实用方法DAG关于误差：消除特征的影响LEAD算法流程参考文献代码实现 Multi-Label Learning by Exploiting Label Dependency 2010 KDD...
论文学习记录随笔 多标签之LIFT
ALBlack的博客
06-29 1197
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
评论 9
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