文章摘要:标记分布学习能有效求解多标记学习任务，然而分类器构造以获得大规模具有更强监督信息的标注为前提，在许多应用中难以满足。一种替代的方案是以标记增强的方式从传统逻辑形式的标注中挖掘出隐含的数值型标记的重要程度。现有的标记增强方法大多假设增强后的标记需要在所有示例上保持原有逻辑标记的相关性，不能有效保持局部标记相关性。基于粒计算理论，提出了一种适用于标记分布学习的粒化标记增强学习方法（G-GLLE）。该方法通过k均值聚类构造具有局部相关性语义的信息粒，并在粒的抽象层面上，分别在图上依据逻辑标记的特性和属性空间的拓扑性质完成粒内示例的标记转化。最后，将得到的标记分布在示例层面进行融合，得到描述整个数据集标记重要程度的数值型标记。大量比较研究表明，所提出的模型可以显著地提升多标记学习的性能。

文章关键词:

项目基金:《标记免疫分析与临床》 网址: http://www.bjmyfxylc.cn/qikandaodu/2022/1012/680.html