三角距离相关性的标签分布学习

2021-08-09黄雨婷徐媛媛张恒汝闵帆

智能系统学报 2021年3期

关键词：实验

黄雨婷，徐媛媛，张恒汝，闵帆

（西南石油大学计算机科学学院，四川成都 610500）

标签分布学习(label distribution learning，LDL)是多标签学习(muti-label learning，MLL)的泛化[1-8]。MLL用标签集的部分标签来描述实例[9-11]，LDL用标签集所有标签的表征程度构成的分布来描述实例[12-15]。文献[12]将年龄估计问题泛化到LDL中，降低了平均绝对误差(mean absolute deviation，MAE)。文献[13]将人群计数问题泛化到LDL中，提高了人群计数的准确率。

Geng等[1]提出了SA-IIS(specialized algorithm improithm lternative scaling)算法，将单个标签数据转换为分布数据，但未考虑标签的相关性。Jia等[16]提出了LDLLC(label distribution learning by exploiting label correlation)算法，使用皮尔逊相关系数描述了标签之间的相关性。Zheng等[17]提出了LDL-SCL(label distribution learning by exploiting sample correlation locally)算法，考虑实例之间的相关性。后2种方法显著提高了模型对标签分布的预测能力。

本文提出了一种三角距离相关性的标签分布学习算法(label distribution learning based on triangular distance correlation，T-LDL)。首先，令X和D分别表示特征矩阵和标签分布矩阵，构建距离映射矩阵θ描述X和D之间的映射关系。其次，设计新的相似度距离，以表征标签之间的相关性。最后，结合标签相关性，设计基于KL (kullback-leibler divergence)散度[18]的目标函数，利用从训练数据直接获取的X和D拟合θ以预测标签分布。

在8个真实数据集上，将本文提出算法与8种主流算法进行对比实验，利用Euclidean距离[19]、Sørensen距离[20]、Squardχ2距离[21]、KL散度[18]、Intersection相似度[22]和Fidelity相似度[23]共6种指标进行评价。结果表明，本文提出的算法在其中3个数据集上所有指标均为最优，在其余的数据集上部分指标占优。