一種基于子空間分解和判別分析的多標簽分類算法.pdf

1、多標簽分類是指當單個樣本數(shù)據(jù)可以同時屬于多個類別時，為測試數(shù)據(jù)找到對應(yīng)正確的多個類別標簽的過程。作為機器學習領(lǐng)域中前沿的研究課題之一，多標簽分類在文檔歸類、圖片標注、醫(yī)療診斷等領(lǐng)域都有著廣泛的應(yīng)用。由于多標簽分類問題是傳統(tǒng)分類問題的更一般化的形式，且多標簽分類問題的復雜度隨著標簽個數(shù)的增長而呈指數(shù)函數(shù)的形式增長，目前多標簽分類問題中還有很多難以解決的挑戰(zhàn)和困難。因此，多標簽分類算法具有重要的研究意義和價值。
　　目前，大多數(shù)的多標

2、簽分類算法都是從分析標簽相關(guān)性的角度出發(fā)，這些算法普遍具有以下不足：(1)低階的算法忽略了部分標簽之間的相關(guān)信息，導致在遇到強相關(guān)的多標簽數(shù)據(jù)時算法性能會顯著下降；(2)高階的算法復雜度會隨著標簽個數(shù)的增長而呈指數(shù)函數(shù)的形式急劇增長，使多標簽分類問題的求解過程變得異常困難。
　　本文針對上述多標簽分類算法存在的普遍問題，利用子空間分解和線性判別分析的方法構(gòu)建了一種同時滿足判別性和一致性要求的多標簽分類模型。主要的研究工作如下：

3、r>　　1、基于多標簽數(shù)據(jù)是來自各個標簽分量的組合的觀察事實，利用子空間分解的方法，將多標簽數(shù)據(jù)分解成各個標簽子空間分量疊加和的形式，分離了多標簽分類問題中的標簽相關(guān)性，解決了多標簽分類算法復雜度會隨標簽個數(shù)增大而呈指數(shù)函數(shù)的形式增長的困難。
　　2、在各個子空間上，利用線性判別分析的方法統(tǒng)計出各個類別上的判別信息，建立了同時滿足判別性和一致性要求的多標簽分類模型。依據(jù)多組變量循環(huán)迭代的原則，推導出各個變量的梯度，設(shè)計出循環(huán)迭代梯