Seleção de Recursos Multi-rótulo baseada em Recursos Específicos de Rótulo e Aprendizagem Manifold

Cada instância em dados multi-rótulo está associada a múltiplos rótulos, e existem características irrelevantes ou redundantes em seu espaço de características, o que leva à degradação do desempenho dos algoritmos de aprendizado multi-rótulo. A seleção de recursos multi-rótulo seleciona características representativas do espaço de características para melhorar a precisão do modelo. Devido ao alto custo dos rótulos e à dificuldade de coleta de dados, pode haver alguns rótulos ausentes no conjunto de dados, o que afeta a precisão da seleção de características. Para resolver esse problema, é proposto um algoritmo de seleção de características multi-rótulo baseado em recursos específicos de rótulo e aprendizagem manifold. O algoritmo utiliza a relação linear entre as características e os rótulos em amostras de rótulo conhecido para construir um modelo de regressão linear para aprender características específicas de rótulo. Ao usar a relação não linear entre instâncias e a relação não linear entre características, podemos aprender de forma precisa as características específicas de rótulo. Utilizamos o método de mapeamento de características Laplaciano para construir o modelo de manifold de instâncias e o modelo de manifold de características, que também são usados como a matriz de peso de restrição do termo regular. O modelo final pode não apenas completar os rótulos ausentes, mas também selecionar características esparsas e representativas. A seleção de características é realizada analisando o peso da característica fornecido pelo modelo final. Experimentos foram realizados para verificar a eficácia do algoritmo proposto sob diferentes taxas de exclusão de rótulos em quatro índices de avaliação.