A Robust Multilabel Method Integrating Rule-based Transparent Model, Soft Label Correlation Learning and Label Noise Resistance

要約

モデルの透明性、ラベル相関学習、ラベルノイズに対する堅牢性は、マルチラベル学習にとって重要です。
しかし、これら 3 つの特性を同時に研究する既存の方法はほとんどありません。
この課題に対処するために、我々は 3 つのメカニズムを備えた堅牢なマルチラベルTakagi-Sugeno-Kang ファジー システム (R-MLTSK-FS) を提案します。
まず、ラベル間の相互作用を明示的に測定することでラベル ノイズの影響を低減するソフト ラベル学習メカニズムを設計します。これは他の 2 つのメカニズムの基礎でもあります。
第 2 に、ルールベースの TSK FS がベース モデルとして使用され、多くの既存のマルチラベル モデルよりも透過的な方法で、フィーチャとソフト ラベルの間の推論関係を効率的にモデル化します。
第三に、マルチラベル学習のパフォーマンスをさらに向上させるために、ソフトラベル空間とファジー特徴空間に基づいた相関強化学習メカニズムを構築します。
提案された方法の優位性を実証するために広範な実験が行われました。

要約(オリジナル)

Model transparency, label correlation learning and the robust-ness to label noise are crucial for multilabel learning. However, few existing methods study these three characteristics simultaneously. To address this challenge, we propose the robust multilabel Takagi-Sugeno-Kang fuzzy system (R-MLTSK-FS) with three mechanisms. First, we design a soft label learning mechanism to reduce the effect of label noise by explicitly measuring the interactions between labels, which is also the basis of the other two mechanisms. Second, the rule-based TSK FS is used as the base model to efficiently model the inference relationship be-tween features and soft labels in a more transparent way than many existing multilabel models. Third, to further improve the performance of multilabel learning, we build a correlation enhancement learning mechanism based on the soft label space and the fuzzy feature space. Extensive experiments are conducted to demonstrate the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google