5、ML-kNN A lazy learning approach to multi-label learning

论文相关内容

本文中解决多标记问题的方法：

本文提出了一种基于k近邻算法的多标签懒惰学习方法——ML-KNN。具体来说，对于每个不可见的实例，首先确定其在训练集中的K个近邻。然后，根据从这些相邻实例的标签集中获得的统计信息，即每个可能类的相邻实例的数量，利用极大后验(maximum a posteriori, MAP)原则来确定不可见实例的标签集。

ML-KNN

看了周志华老师的多标签综述中此算法的预测通过下面这种方法（这篇文章也为其著作）

总结

1、相关背景：多标签问题的需要。
2、问题是什么：解决多标签分类问题。
3、现有的解决方案：BR等方法。
4、作者的核心思想、创新点在哪里：基于KNN提出了ML-KNN，没有显示训练过程，一定程度上提升了效率。
5、通过什么样的实验进行验证：使用了3个数据集4个多标签算法和多个性能度量进行实验验证。
6、对我的启发：千里之行，始于足下。不经历风雨，哪能见彩虹。不多读paper哪来的idea。