基于模型共享子空间提升的多标签分类

针对多标签分类问题的典型方法需要从所有示例和特征中为每个标签学习一个独立的分类器。这在具有大标签空间的大型数据集中可能成为计算瓶颈。本文提出了一种称为模型共享子空间提升（MSSBoost）高效且有效的多标签学习算法，旨在减少学习过程中的信息冗余。该算法自动发现、共享并结合多个标签的多个基本模型，每个模型从随机特征子空间和引导样本中学习。每个标签的决策函数是联合估计的，因此少量共享子空间模型可以支持整个标签空间。我们在合成数据和真实多媒体集合上的实验结果表明，所提算法在学习和预测过程中比非集成基线分类器具有更好的分类性能，并显著加速。它还可以使用更少的基本模型达到与其非模型共享对应物相同的分类性能。