邱 劲

（苏州科技大学 电子与信息工程学院，江苏 苏州215009）

多标签分类近年来在图像自动标注[1]、多主题文档分类[2]和蛋白质功能预测[3]等各种应用中受到了广泛的关注。与传统的单标签分类（每个实例只属于一个类别）不同，多标签分类解决每个实例可能与多个类关联的问题。文献中已经给出了大量的算法。现有的方法大致可以分为两类：算法自适应和问题转化[4]。算法自适应法尝试扩展现有的单标签分类算法来处理多标签问题。典型示例包括神经网络[5]、惰性学习[6]、Adaboost MR[7]、秩SVM[8]。对于转化法，通常将多标签分类问题转化为多个单标签分类问题，以便可以轻松使用现有的单标签方法。显著的示例包括二元相关性法[9]、成对法[10]和标签嵌入法[11]。

但是多标签分类经常涉及高维数据，这使得现有方法由于维数问题而变得难以实现。在文献中已经给出了大量的多标签降维方法。如在文献[12]中提出了多标签信息隐形语义索引（MLSI），用于多标签降维。多标签信息隐形语义索引（MLSI）使用标签信息来指导转换的学习，并已成功应用于多标签文本分类。文献[13]将经典线性判别分析拓展至处理多标签数据样本。但是这并没有将标签相关性考虑在内。文献[14]中提出了一种新型多标签线性判别分析（MLDA），其利用标签相关性并探索强大的辨别能力以处置多标签DR。文献[15]中则提出了一种基于依赖最大化的多标签降维方法（MDDM）。该多标签降维方法使用希尔伯特-施密特独立性准则（HSIC）来获取特征描述和相关标签之间的强依赖性。……