标签分布学习

目录

前言

传统的方法

论文方法

总结

前言

一般来说我们的标签数据都是硬标签，非0即1，如one-hot或multi-one-hot，但是一些软标签有时候更具有意义，含有的信息也越丰富，即标签分布如【0.1,0.2,0.7】而不是【0,0,1】，那么该如何学习得到这样的标签分布呢？

有一篇论文对此进行了讨论和研究

Label Enhancement for Label Distribution Learning

这是发表在IJCAI-18的一篇，即标签增强技术，已有中文解读

https://mp.weixin.qq.com/s/cXiR-UeJkcdkljJvE2eERw

下面简单总结一下

传统的方法

（1）Fuzzy C-Means(FCM)

kmeans的软聚类版本，相较于硬聚类，其会给出每个样本属于各个簇中心的概率分布。原理上述知乎已经说得很清楚了，关于实现，大家可以手动实现，也可以调用一些现成的包，比如scikit-fuzzy

安装：pip install -U scikit-fuzzy

怎么使用，可以看看

https://blog.csdn.net/frankiehello/article/details/79581315

（2）Label Propagation（LP）

通过矩阵不断进行标签传播，这里需要说明的是，在社区划分中也用到了LP，其都不用前提知道社区个数会自动聚出来，想法很简单就是knn，可以看看

https://blog.csdn.net/google19890102/article/details/50186831

（3）Mainifold Learning（LM）

流式学习，可以看看

https://blog.csdn.net/sinat_25346307/article/details/79101556

论文方法

最重要的就是加了第二部分

总结

总的来说吧，标签分布要说的就是：不要判别的那么绝对，比如对年轻的判定，假如30岁算做年轻分界线，那31就是不年轻了吗？是不是说是有点年轻的，所以这场景下非0即1有点不合适了。