Multi-Label learning in the independent label sub-spaces

هدف در مشکلات یادگیری چند برچسب، پیش بینی همزمان بسیاری از برچسب ها برای هر نمونه ورودی است. در طی سال های گذشته، بسیاری از روش های مبتنی بر تعبیه پیشنهاد شده برای حل این مشکل با توجه به وابستگی های برچسب و کاهش هزینه یادگیری و پیش بینی، وجود داشت. با این حال، فشرده سازی داده ها منجر به از دست دادن بخشی از اطلاعات موجود در فضای برچسب می شود. ایده در این کار این است که فضای کل برچسب را به برخی از گروه های مستقل کوچک تقسیم کنید که به جای یادگیری به فضای فشرده، یادگیری و پیش بینی مستقل برای هر گروه کوچک در فضای اصلی است. ما از رویکردهای خوشه بندی زیر فضای استفاده می کنیم تا این پارتیشن های کوچک را استخراج کنیم تا برچسب ها در هر گروه شامل اطلاعاتی برای بهبود نتایج برای برچسب ها در گروه های دیگر نمی شوند. با توجه به آزمایشات در مجموعه های مختلف با تعداد زیادی از ویژگی ها و برچسب ها، این روش کیفیت پیش بینی را با هزینه های محاسباتی پایین تر نسبت به حالت پیشرفته بهبود می بخشد.