Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection

要約

特定のサンプルが欠落しているラベルが欠落している高次元マルチラベルデータの次元問題の呪いを解決するために、半監視マルチラベル機能の選択が最近開発されました。
多くの努力がなされていますが、ほとんどの既存の方法は事前定義されたグラフアプローチを使用して、サンプルの類似性またはラベル相関をキャプチャします。
このように、元の特徴空間内にノイズと外れ値の存在は、結果のサンプル類似性グラフの信頼性を損なう可能性があります。
また、ラベルが不明なため、ラベルの相関関係を正確に描写することもできません。
また、これらの方法は、選択された機能の識別力のみを考慮し、それらの冗長性を無視します。
この論文では、これらの問題に対処するために、適応的な共同相関学習ベースの半監視マルチラベル機能選択（Access-MFS）メソッドを提案します。
具体的には、拡張された非相関制約を備えた一般化された回帰モデルが導入され、特定の識別的でありながら無関係な特徴を選択し、同時に標識データの予測されたラベルとグラウンドトゥルースラベルの間の一貫性を維持します。
次に、インスタンスの相関とラベル相関が提案された回帰モデルに統合され、サンプルの類似性グラフとラベルの類似性グラフの両方を適応的に学習し、特徴の選択パフォーマンスを相互に強化します。
広範な実験結果は、他の最先端の方法よりも提案されたアクセスMFの優位性を示しています。

要約(オリジナル)

Semi-supervised multi-label feature selection has recently been developed to solve the curse of dimensionality problem in high-dimensional multi-label data with certain samples missing labels. Although many efforts have been made, most existing methods use a predefined graph approach to capture the sample similarity or the label correlation. In this manner, the presence of noise and outliers within the original feature space can undermine the reliability of the resulting sample similarity graph. It also fails to precisely depict the label correlation due to the existence of unknown labels. Besides, these methods only consider the discriminative power of selected features, while neglecting their redundancy. In this paper, we propose an Adaptive Collaborative Correlation lEarning-based Semi-Supervised Multi-label Feature Selection (Access-MFS) method to address these issues. Specifically, a generalized regression model equipped with an extended uncorrelated constraint is introduced to select discriminative yet irrelevant features and maintain consistency between predicted and ground-truth labels in labeled data, simultaneously. Then, the instance correlation and label correlation are integrated into the proposed regression model to adaptively learn both the sample similarity graph and the label similarity graph, which mutually enhance feature selection performance. Extensive experimental results demonstrate the superiority of the proposed Access-MFS over other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google