کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861372 1439249 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Attribute reduction for multi-label learning with fuzzy rough set
ترجمه فارسی عنوان
کاهش ویژگی برای یادگیری چند برچسب با مجموعه خشن فازی
کلمات کلیدی
کاهش مشخصه، مجموعه خشن فازی یادگیری چند برچسب، نمونه برداری محلی،
ترجمه چکیده
در یادگیری چند لایحه، هر نمونه به طور همزمان به چندین برچسب مرتبط است، و فضای نمونه ها با ابعاد زیاد مشخص می شود. بنابراین، مسئله کلیدی برای کاهش ویژگی در چند برچسب، ارزیابی کیفیت هر ویژگی با توجه به مجموعه ای از برچسب ها است. تحریک شده توسط نظریه مجموعه خشن فازی، که اجازه می دهد تا روابط فازی مختلف برای اندازه گیری شباهت بین نمونه ها تحت برچسب های مختلف. در این مقاله، ما یک مدل مجموعه ای خشن جدید فازی برای کاهش ویژگی در یادگیری چند لایه پیشنهاد می کنیم. در مقایسه با کاهش ویژگی های یک برچسب، تنگنا از مجموعه خشن فازی برای کاهش ویژگی های چند لایحه، نمونه های واقعی کلاس های مختلف برای نمونه مورد نظر است که عمیقا بر قابلیت اطمینان تقریبی بالاتر و پایین فازی تاثیر می گذارد. ابتدا برآورد نمره هر یک از نمونه ها را برای ارزیابی احتمال نمونه بودن نمونه های مختلف کلاس نسبت به نمونه هدف تعریف می کنیم. سپس، نمونه گیری محلی برای ایجاد فاصله ای قوی بین نمونه ها استفاده می شود. در هنگام محاسبه تقریبی پایین و بالای فازی زیر فضای کل برچسب، می تواند قدرت را در برابر اطلاعات پر سر و صدا اجرا کند. علاوه بر این، مجموعه ای از مدل های خشن فازی چند لایک ارائه شده است، و برخی از ویژگی های مرتبط مورد بحث قرار گرفته است. در نهایت، اندازه گیری اهمیت یک ویژگی کاندید تعریف شده و یک الگوریتم انتخاب حسی رو به جلو طراحی شده است. آزمایش های گسترده ای برای بررسی اثربخشی الگوریتم پیشنهاد شده با مقایسه آن با برخی از روش های پیشرفته در هشت مجموعه داده های قابل دسترس انجام می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
کاهش ویژگی برای یادگیری چند برچسب با مجموعه خشن فازی
چکیده انگلیسی
In multi-label learning, each sample is related to multiple labels simultaneously, and attribute space of samples is with high-dimensionality. Therefore, the key issue for attribute reduction in multi-label data is to measure the quality of each attribute with respect to a set of labels. Stimulated by fuzzy rough set theory, which allows different fuzzy relations to measure the similarity between samples under different labels. In this paper, we propose a novel fuzzy rough set model for attribute reduction in multi-label learning. Different from single-label attribute reduction, a bottleneck of fuzzy rough set for multi-label attribute reduction is to find the true different classes' samples for the target sample, which deeply affects the robustness of fuzzy upper and lower approximations. We first define the score vector of each sample to evaluate the probability of being different class's sample with respect to the target sample. Then, local sampling is leveraged to construct a robust distance between samples. It can implement the robustness against noisy information when calculating the fuzzy lower and upper approximations under the whole label space. Moreover, multi-label fuzzy rough set model is proposed, and some related properties are discussed. Finally, the significance measure of a candidate attribute is defined, and a greedy forward attribute selection algorithm is designed. Extensive experiments are carried out to verify the effectiveness of the proposed algorithm by comparing it with some state-of-the-art approaches on eight publicly available data sets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 152, 15 July 2018, Pages 51-61
نویسندگان
, , , ,