【AAAI2022】面向多标签分类的端到端概率标签特征学习

End-to-End Probabilistic Label-Specific Feature Learning for Multi-Label Classification Jun-Yi Hang, Min-Ling Zhang, Yanghe Feng , Xiaocheng Song

标签特定特征是一种有效的学习策略，从多标签数据，定制特征占每个类别标签的不同的区别属性。现有的基于原型的标签特定特征转换方法在三个阶段框架下工作，其中原型获取、标签特定特征生成和分类模型归纳是独立进行的。从直观上看，由于其解耦特性，这个独立的框架不是最优的。在本文中，我们首次尝试建立一个统一的基于原型的标签特定特征转换框架，其中原型和标签特定特征直接优化用于分类。为了实例化它，我们提出通过标准化流程对原型进行概率建模，该流程具有自适应原型复杂性，以充分捕获每个类标签的底层属性，并允许可扩展的随机优化。然后，通过共同学习原型和基于度量的标签特征，构建标签相关正则化概率潜度量空间进行分类;在14个基准数据集上的综合实验表明，我们的方法优于最先进的同类方法。

http://palm.seu.edu.cn/zhangml/files/AAAI'22.pdf