Aprendizaje de un espacio latente profundo para la clasificación multietiqueta

La clasificación multietiqueta es una tarea práctica a la vez que desafiante en campos relacionados con el aprendizaje automático, ya que requiere la predicción de más de una categoría de etiqueta para cada instancia de entrada. Proponemos un modelo novedoso basado en redes neuronales profundas (DNN), Canonical Correlated AutoEncoder (C2AE), para resolver esta tarea. Con el objetivo de relacionar mejor los datos del dominio de características y de etiquetas para una clasificación mejorada, realizamos de manera exclusiva una incrustación conjunta de características y etiquetas derivando un espacio latente profundo, seguido de la introducción de una función de pérdida sensible a la correlación de etiquetas para recuperar las salidas de etiquetas predichas. Nuestro C2AE se logra mediante la integración de las arquitecturas de DNN de análisis de correlación canónica y autoencoder, lo que permite el aprendizaje y la predicción de extremo a extremo con la capacidad de explotar la dependencia de las etiquetas. Además, nuestro C2AE se puede extender fácilmente para abordar el problema de aprendizaje con etiquetas faltantes. Nuestros experimentos en múltiples conjuntos de datos con diferentes escalas confirman la eficacia y robustez de nuestro método propuesto, que demuestra un rendimiento favorable frente a los métodos de vanguardia para la clasificación multietiqueta.