論文の概要: Semi-Supervised Multi-Label Feature Selection with Consistent Sparse Graph Learning

• arxiv url: http://arxiv.org/abs/2505.17875v1
• Date: Fri, 23 May 2025 13:25:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.104731
• Title: Semi-Supervised Multi-Label Feature Selection with Consistent Sparse Graph Learning
• Title（参考訳）: 連続スパースグラフ学習による半教師付きマルチラベル特徴選択
• Authors: Yan Zhong, Xingyu Wu, Xinping Zhao, Li Zhang, Xinyuan Song, Lei Shi, Bingbing Jiang,
• Abstract要約: 既存のマルチラベル手法では、十分なラベル付きサンプルなしでラベル相関を評価できない。 原特徴空間から直接導出される類似性グラフ構造は、多重ラベル問題に対する準最適である。 マルチラベル半教師付き特徴選択のための一貫したスパースグラフ学習法を提案する。
• 参考スコア（独自算出の注目度）: 13.401566810844368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical domains, high-dimensional data are usually associated with diverse semantic labels, whereas traditional feature selection methods are designed for single-label data. Moreover, existing multi-label methods encounter two main challenges in semi-supervised scenarios: (1). Most semi-supervised methods fail to evaluate the label correlations without enough labeled samples, which are the critical information of multi-label feature selection, making label-specific features discarded. (2). The similarity graph structure directly derived from the original feature space is suboptimal for multi-label problems in existing graph-based methods, leading to unreliable soft labels and degraded feature selection performance. To overcome them, we propose a consistent sparse graph learning method for multi-label semi-supervised feature selection (SGMFS), which can enhance the feature selection performance by maintaining space consistency and learning label correlations in semi-supervised scenarios. Specifically, for Challenge (1), SGMFS learns a low-dimensional and independent label subspace from the projected features, which can compatibly cross multiple labels and effectively achieve the label correlations. For Challenge (2), instead of constructing a fixed similarity graph for semi-supervised learning, SGMFS thoroughly explores the intrinsic structure of the data by performing sparse reconstruction of samples in both the label space and the learned subspace simultaneously. In this way, the similarity graph can be adaptively learned to maintain the consistency between label space and the learned subspace, which can promote propagating proper soft labels for unlabeled samples, facilitating the ultimate feature selection. An effective solution with fast convergence is designed to optimize the objective function. Extensive experiments validate the superiority of SGMFS.
• Abstract（参考訳）: 実践的な領域では、高次元データは多彩なセマンティックラベルに関連付けられているのに対し、伝統的な特徴選択法はシングルラベルデータ用に設計されている。 さらに,既存のマルチラベル手法は,半教師付きシナリオにおいて2つの課題に直面する。 ほとんどの半教師付き手法は、ラベル付きサンプルが十分でない状態でラベル相関を評価することができず、これはラベル固有の特徴を破棄する多ラベル特徴選択の重要な情報である。 (2)。 元の特徴空間から直接導出される類似性グラフ構造は、既存のグラフベース手法における多重ラベル問題に準最適であり、信頼性の低いソフトラベルと劣化した特徴選択性能をもたらす。 そこで本研究では,空間の整合性を維持し,半教師付きシナリオにおけるラベル相関を学習することにより,特徴選択性能を向上させる,多ラベル半教師付き特徴選択(SGMFS)のための一貫したグラフ学習手法を提案する。 具体的には、チャレンジ(1)において、SGMFSは投影された特徴から低次元かつ独立なラベル部分空間を学習し、複数のラベルを相互に交差させ、ラベル相関を効果的に達成することができる。 Challenge (2)では、半教師付き学習のための固定された類似性グラフを構築する代わりに、SGMFSはラベル空間と学習部分空間の両方でサンプルのスパース再構成を行うことにより、データの本質的な構造を徹底的に探索する。 このように、類似性グラフはラベル空間と学習部分空間との整合性を維持するために適応的に学習することができ、ラベルのないサンプルに対する適切なソフトラベルの伝播を促進し、究極の特徴選択を容易にすることができる。 高速収束による効率的な解は、目的関数を最適化するために設計されている。 大規模な実験は、SGMFSの優越性を検証した。

関連論文リスト

• GPMFS: Global Foundation and Personalized Optimization for Multi-Label Feature Selection [0.820217860574125]
  次元性の呪いは、高次元多ラベル学習における主要なボトルネックの1つである。 GPMFS (Global Foundation and Personalized Optimization for Multi-Label Feature Selection) という新しい手法を提案する。 複数の実世界のデータセットの実験により、GPMFSは高い解釈性と堅牢性を維持しながら、優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-04-17T08:29:14Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection [25.195711274756334]
  適応的協調相関 lEarning-based Semi-Supervised Multi-label Feature Selection (Access-MFS) 法を提案する。 具体的には、拡張された非相関制約を備えた一般化回帰モデルを導入し、識別的かつ無関係な特徴を選択する。 相関インスタンスとラベル相関を提案回帰モデルに統合し,サンプル類似度グラフとラベル類似度グラフの両方を適応的に学習する。
  論文  参考訳（メタデータ） (2024-06-18T01:47:38Z)
• Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
  Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。 本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T12:52:18Z)
• Incomplete Multi-View Weak-Label Learning with Noisy Features and Imbalanced Labels [4.800187500079582]
  マルチビュー学習の限界を克服する新しい手法を提案する。 不完全ビューと弱いラベルを適応重み付き低次元部分空間に埋め込む。 ノイズの多いビューを検出するために埋め込みの視点的重要性を適応的に学習し、焦点損失によるラベルの不均衡問題を緩和する。
  論文  参考訳（メタデータ） (2022-01-04T10:49:30Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
  ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。 提案手法の有効性を,低データと高データの両方において示す。
  論文  参考訳（メタデータ） (2020-10-19T17:59:30Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。