使用堆疊式自動編碼器和極限學習機的級聯進行多標簽分類

摘要

本文介紹了用于多標簽數據分類的一系列神經網絡。兩種類型的網絡，即堆疊式自動編碼器(SAE)和極限學習機(ELM)已被合并到建議的系統中。ELM是一種緊湊高效的單標簽分類器，在處理多標簽數據時似乎失去了效率。這是由于多標簽數據的復雜性導致的，這使得較小的網絡難以準確地解釋它。在我們提出的工作中，我們嘗試處理處理多標簽數據時遇到的瓶頸很少。因此，我們旨在通過與其他網絡協作來增強獨立的多標簽極限學習機(MLELM)的性能。所提出的方法分為三個基本階段：特征編碼，軟分類和班級成績近似。在第一步中，采用SAE網絡來生成多標簽數據的區分輸入和縮減輸入。這使得數據在后續階段變得緊湊且更易于管理。下一階段，MLLEM將該數據依次用于軟標簽的預測。在最后一步中，為了提高先前網絡的預測能力，提出了使用附加MLELM逼近類別得分的新穎方法。已針對11種相關算法對7個數據集進行了所提方法的綜合實驗評估，總體而言，該方法顯示出令人鼓舞的性能。這使得數據在后續階段變得緊湊且更易于管理。下一階段，MLLEM將該數據依次用于軟標簽的預測。在最后一步中，為了提高先前網絡的預測能力，提出了使用附加MLELM逼近類別得分的新穎方法。已針對11種相關算法對7個數據集進行了所提出方法的綜合實驗評估，總體而言，該方法顯示出令人鼓舞的性能。這使得數據在后續階段變得緊湊且更易于管理。下一階段，MLLEM將該數據依次用于軟標簽的預測。在最后一步中，為了提高先前網絡的預測能力，提出了使用附加MLELM逼近類別得分的新穎方法。已針對11種相關算法對7個數據集進行了所提出方法的綜合實驗評估，總體而言，該方法顯示出令人鼓舞的性能。

2、方法

在本文中，層疊的自動編碼器和極限學習機被用于多標簽數據的分類(MLSAEELM)。在第一階段，使用堆疊的自動編碼器網絡來降低數據的維數。堆疊自動編碼器(SAEs)廣泛應用于深度神經網絡，因為它們能夠有效地從任何給定的數據中提取底層特征。雖然所提出的分類器在本質上不是太深入，但從SAE獲得的一組簡化的良好編碼特征有利于保留數據的底層屬性。一旦相關特征被提取出來，這些被傳遞到一個多標簽榆樹進行軟標簽預測。這個MLELM以類似于簡單ELM的方式處理多標簽數據。為了提高MLELM的分類性能，在模型的最后階段將連接另一個MLELM。該網絡的任務是學習軟標簽到硬標簽的映射。然后使用近似MLELM預測的最終類分數為數據分配硬類標簽。

2.1、多標簽數據的表示

2.2、網絡結構

該模型的架構包括一個堆疊的自動編碼器，以及一個用于分類的多標簽極限學習機。圖3顯示了模型的概述。

2.2.1、自動編碼器

網絡的堆疊自動編碼器部分包含按順序堆疊的各個自動編碼器。第一autoencoder AE1將原始輸入ξ= {x1, x2,。,xd},列車本身迭代和編碼數據較少的特性。這些編碼特性再交由火車下autoencoder AE2和功能進一步編碼數量的特性等等。來自autoencoder AEn的最后一組編碼特征被用作下一階段的輸入。在圖3中，在疊加的自動編碼器中只顯示了兩層。

2.2.2、軟分類多標簽榆樹(MLELM-C)

2.2.3、用于分數映射的多標記ELM (MLELM-D)

3、實驗結果與討論

4、結論

本文提出了一種新穎的多標簽分類層疊式自動編碼器和極限學習機網絡(MLSAEELM)。ELM是一種通過一次訓練數據進行學習的緊湊神經網絡。該網絡已經在各個領域得到了應用，但在多標簽分類領域的應用還很有限。網絡是創新的和獨特的，但它不能有效地處理多標簽數據自己。為了探討多標簽分類的可能性，利用ELM的優勢和面對的挑戰，本文提出了一個MLSAEELM模型。該算法采用多層自編碼器進行特征編碼，采用MLELM進行軟分類，并采用一種新穎的類分數近似方法進行分類，最終實現了多標簽分類。在7個數據集10個性能指標上與其他11種算法進行了比較分析，結果表明該算法的性能有了令人鼓舞的提高。在未來，這種網絡級聯可以適應更深層次的框架，以促進更大更復雜的數據集的工作。

詳細細節請看原文：https://doi.org/10.1016/j.neucom.2019.05.051

總結

以上是生活随笔為你收集整理的多标签分类_多标签分类文献阅读（8）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。