多類分類可以透過根據某種編碼規則將其分解為一組二元分類問題來解決。現有的工作在原始特徵空間中解決這些二元分類問題，但由於不同的二元分類問題對應於不同的正例和負例，因此可能不是最優的。
為了解決這個問題，臧敏玲領導的研究小組在《自然》雜誌上發表了他們的研究成果。計算機科學前沿。
團隊建議為每個分解的二元分類問題學習特定於標籤的特徵，以考慮其正例和負例中包含的特定特徵。實驗清楚地驗證了學習特定於標籤的特徵對於基於分解的多類分類的有效性。
研究中，對於每個分解的二分類問題，分別對其正例和反例進行聚類分析，以發現該特定問題的內在特徵分類問題。基於聚類結果，透過測量範例與所有聚類中心之間的相似性來建構每個範例的標籤特定特徵。實驗表明優勢基於產生的標籤特定特徵與原始特徵的學習二元分類器。
未來的工作可以集中在探索其他可行的技術來獲取特定於標籤的特徵（例如特徵選擇），並進一步利用不同分解策略中的特定資訊。
更多資訊：Bin-Bin Jia 等人，學習基於分解的多類分類的特定標籤特徵，計算機科學前沿（2023）。DOI：10.1007/s11704-023-3076-y
提供者：前沿期刊
引文:學習基於分解的多類分類的標籤特定特徵（2023 年，12 月 18 日）檢索日期：2023 年 12 月 18 日取自 https://techxplore.com/news/2023-12-label-specific-features-decomposition-based-multi-class-classification.html
本文檔受版權保護。除了出於私人學習或研究目的的任何公平交易外，不得未經書面許可，不得複製部分內容。所提供的內容僅供參考。