적응형 가중치 순위 중심 레이블 분포 학습

레이블 분포 학습(LDL)은 다중 레이블 학습(MLL)에서 일반화된 새로운 기계 학습 패러다임입니다. LDL은 각 인스턴스에 레이블 분포를 부착하여 다양한 레이블의 설명 정도를 제공합니다. 많은 실제 응용 프로그램에서 상대적으로 높은 설명 정도를 가진 주요 레이블은 더 잘 예측되는 것이 바람직합니다. 불행히도 기존 LDL 메트릭은 전반적인 관점에서 레이블 분포 사이의 거리나 유사성을 측정하여 주요 레이블에 충분한 주의를 기울이지 못합니다. 따라서 우리는 정확한 순위 값과 각 레이블의 설명 정도를 동시에 통합하는 새로운 LDL 메트릭인 설명 정도 백분위수 평균(DPA)을 설계합니다. DPA는 주요 레이블 예측의 정확성을 향상시킬 수 있습니다. 더욱이, 레이블 분포의 형태 특성을 고려하여 우리는 예측된 레이블 분포와 실제 레이블 분포 간의 분산 거리를 최소화하여 레이블의 구별 가능성을 보다 잘 유지합니다. 마지막으로, 우리는 주요 레이블 예측에서 더 높은 정확성을 요구하는 현실적인 LDL 문제에 더 적합한 적응형 가중치 순위 중심 LDL 알고리즘을 제안합니다. 우리는 다양한 유형의 LDL 데이터 세트에서 광범위한 비교 실험을 수행합니다. 전통적인 메트릭과 새로 도입된 메트릭 모두에 대한 실험 결과는 제안의 효과를 입증합니다.