局部协同视角下的鲁棒标记分布学习

作者：徐苏平; 商琳^*; 周宇杰

来源：模式识别与人工智能, 2021, 34(01): 44-57.

DOI：10.16451/j.cnki.issn1003-6059.202101005

• 标记分布学习(LDL)
• 多标记学习
• 标记多义性
• 稀疏字典学习
• 鲁棒性

已有标记分布学习(LDL)算法在一定程度上破坏不同标记间的关联性及标记分布的整体结构,同时,大多仅以提升标记分布的预测性能为目的,忽略计算代价和噪声鲁棒性在实际应用中的重要性.为了缓解上述不足,文中提出基于局部协同表达的标记分布学习算法(LCR-LDL).在LCR-LDL中,一个未标记样本可被视作由该未标记样本邻域构建的局部字典的协同表达,表达系数中的鉴别信息可用于重构未标记样本的标记分布.在15个真实的LDL数据集上的实验表明,LCR-LDL不仅可有效提升LDL的预测性能,而且具有较强的鲁棒性和轻量级的计算开销.

• 单位
  计算机软件新技术国家重点实验室; 南京大学