文献

J-GLOBAL ID：201702259823558958   整理番号：17A0311579

標識特異的特徴低減を用いたマルチラベル学習【Powered by NICT】

Multi-label learning with label-specific feature reduction

著者 (11件)： Xu Suping (School of Computer Science and Engineering, Jiangsu University of Science and Technology, Zhenjiang 212003, PR China) ,  Xu Suping (Intelligent Information Processing Key Laboratory of Shanxi Province, Shanxi University, Taiyuan 030006, PR China) ,  Xu Suping (Key Laboratory of Oceanographic Big Data Mining and Application of Zhejiang Province, Zhejiang Ocean University, Zhoushan 316022, PR China) ,  Yang Xibei (School of Computer Science and Engineering, Jiangsu University of Science and Technology, Zhenjiang 212003, PR China) ,  Yang Xibei (School of Economics and Management, Nanjing University of Science and Technology, Nanjing 210094, PR China) ,  Yang Xibei (Intelligent Information Processing Key Laboratory of Shanxi Province, Shanxi University, Taiyuan 030006, PR China) ,  Yang Xibei (Key Laboratory of Oceanographic Big Data Mining and Application of Zhejiang Province, Zhejiang Ocean University, Zhoushan 316022, PR China) ,  Yu Hualong (School of Computer Science and Engineering, Jiangsu University of Science and Technology, Zhenjiang 212003, PR China) ,  Yu Dong-Jun (Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information, Nanjing University of Science and Technology, Ministry of Education, Nanjing 210094, PR China) ,  Yang Jingyu (Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information, Nanjing University of Science and Technology, Ministry of Education, Nanjing 210094, PR China) ,  Tsang Eric C.C. (Faculty of Information Technology, Macau University of Science and Technology, 519020, Macau)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 104  ページ： 52-61  発行年： 2016年07月15日 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： マルチラベル学習では,異なるラベルはそれら自身のいくつかの識別可能な特徴を有する可能性があることから,LIFTと命名した標識特異的特徴を持つマルチラベル学習アプローチを提案した。しかし,標識特異的特徴の構築は,特徴次元数の増加に遭遇する可能性があり,特徴空間に存在する大量の不要な情報。この問題を緩和するために,マルチラベル学習アプローチFRS LIFTを提案したファジィラフ集合を用いた標識特異的特徴削減を実現できる。さらに,サンプル選択の考えと,他のマルチラベル学習アプローチFRS SS LIFTも示し,それは標識特異的特徴低減における計算の複雑さを効果的に低減する。十の実世界マルチラベルデータセット上での実験を行いその結果,提案手法はLIFTと比較した場合,標識特異的特徴の次元低減に加え,いくつかのポピュラーなマルチラベル学習手法の中で満足な性能を達成できることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 計算量 ,  *学習 ,  次元縮小
準シソーラス用語： 特徴空間 , 【Automatic Indexing@JST】

著者キーワード (5件)： 特徴低減 ,  ファジィラフ集合 ,  ラベル特異的特徴 ,  マルチラベル学習 ,  サンプル選択

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 標識 ,  マルチ ,  ラベル ,  学習