Multi-label feature selection with streaming labels

در این مقاله، یک مسئله جدید و چالش برانگیز، انتخاب چند برچسب با برچسب های جریان، که در آن تعداد برچسب ها پیش از آن ناشناخته است، و اندازه مجموعه ویژگی ثابت است. در این مسئله، فرض می کنیم که برچسب ها در یک زمان وارد می شوند، وظیفه یادگیری این است که ویژگی ها را یک بار تکرار کنیم تا یک برچسب جدید وارد شود. روش های انتخاب سنتی چند منظوره نمیتوانند در این سناریو خوب عمل کنند. بنابراین، ما یک چارچوب بهینه سازی ارائه می دهیم که در آن وزن لیست صفات ویژگی هر برچسب و لیست رتبه نهایی ویژگی به عنوان دو مجموعه متغیرهای ناشناخته تعریف می شود. هدف این است که به حداقل رساندن انحراف کلی وزن بین لیست رتبه بندی نهایی و فهرست رتبه بندی ویژگی هر برچسب. آزمایش های گسترده بر روی مجموعه داده های معیار نشان می دهد که روش پیشنهادی از دیگر روش های انتخاب چند ویژگی چند منظوره بهتر است.