Resumen

En el marco de aprendizaje multietiqueta, cada instancia ya no está asociada con un solo significado, sino más bien con ambigüedad de concepto. Específicamente, la ambigüedad de una instancia en el espacio de entrada significa que existen múltiples etiquetas correspondientes en el espacio de salida. En la mayoría de los métodos de clasificación multietiqueta existentes, se utiliza un vector de anotación binaria para denotar los múltiples conceptos semánticos. Es decir, +1 denota que la instancia tiene una etiqueta relevante, mientras que 1 significa lo contrario. Sin embargo, la representación de la etiqueta contiene muy poca información semántica para expresar verdaderamente las diferencias entre múltiples etiquetas diferentes. Por lo tanto, proponemos un nuevo enfoque para transformar la etiqueta binaria en una etiqueta de valor real. Adoptamos la descomposición de rango bajo para obtener información de etiqueta latente y luego incorporamos la información y características originales para generar nuevas características. Luego, utilizando la representación dispersa para reconstruir la nueva instancia, el error de recon

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Aprendizaje multietiqueta; Ambigüedad de concepto; Vector de anotación binaria; Información semántica; Descomposición de rango bajo; Representación dispersa
• Keywords:Multilabel learning; Concept ambiguity; Binary annotation vector; Semantic information; Low-rank decomposition; Sparse representation