Multi-label learning with kernel extreme learning machine autoencoder

论文相关内容

本文中提出的方法：

基于粗糙集理论的信息熵，即粗糙熵，考虑了非等价关系对熵的不确定性的影响。


非平衡标签置信矩阵计算方式。


第一层，输入：加入标签信息的特征，输出转变后的特征。第二层，输入：转变后的特征的映射，输出：标签矩阵。

总结

相关背景：很少有人研究如何结合标签和特征等的相互关系来进行多标签学习。
问题是什么：结合标签和标签，标签和特征，特征和特征3者的关系来进行多标签分类。
现有解决方案：GLOCAL等方法。本文提出了KELM-AE方法，先使用非平衡标签补全的方法进行标签的重构，然后将其加入核极限学习机自动编码机网络的输入结点，把输入特征作为目标输出，在使用核极限学习机分类。
通过什么样的实验进行验证：在14个多标签数据集上使用多个评价指标进行实验并对算法的稳定性以及统计学上的优越性进行了实验。
对我的启发：把两种思想结合也是一种创新。