多标签分类问题

大致上，解决multilabel的方法有两种

1）转化问题。把问题转化为一个或多个单目标分类问题，或是回归问题。

2）算法适应。修改学习算法使得能直接处理multilabel的数据。

问题转化方法 dubbed PTx法。包括

• PT1 对有多标签的数据随机选取一个标签
  
   
• PT2 直接把标签数大于1的都丢掉
  
  
  
• PT3 对标签集合进行排列组合，即组合好的成为一个新的单标签
  
  
• PT4 把一个含有L个标签的训练转化为L个二分类的训练
  
  
• PT5 把含有多个标签的样本分成多个新样本，用 coverage-based classifier
  
  
•  PT6把含有多个标签的样本对标签集合分成多个新样本
  
  

结论是PT3效果很好，PT4较好也应用比较广泛，PT6由于数据不平衡（如果标签密度太小会导致大量的-1）。

另外，以下几个问题是需要关注和进一步研究的

• Dimensionality Reduction 降维
• Label Dependence 标注依赖
• Active learning 主动学习
• Multi-instance multi-label learning (MIML) 多实例多标签
• Multi-view learning. 多视角
• Multi-task learning (MTL) 多任务
• Hierarchical multi-label classification (HMC) 多层多标签

reference

[1] https://www.researchgate.net/profile/Grigorios_Tsoumakas/publication/273859036_Multi-Label_Classification_An_Overview/links/574575e308aea45ee8539026/Multi-Label-Classification-An-Overview.pdf

[2] https://www.researchgate.net/profile/Sebastian_Ventura/publication/270337594_A_Tutorial_on_Multi-Label_Learning/links/54bcd8460cf253b50e2d697b/A-Tutorial-on-Multi-Label-Learning.pdf

[3] https://users.ics.aalto.fi/jesse/talks/Multilabel-Part01.pdf 

https://users.ics.aalto.fi/jesse/talks/Multilabel-Part02.pdf