发表著名会议NIPS论文《Copula Multi-label Learning》(刘威威)
简介:多标签学习中一个挑战性的问题是如何对标签以及特征之间的关系建模。现在有很多种方法都在尝试解决这个问题,但是人们对这些方法的统计性质还是不清楚。论文提出了一个新颖的Copula多标签学习范式来对标签和特征之间的相互依赖关系建模。基于Copula的学习范式能够为多标签学习提供一个新的统计视角。本文首先利用核技术在输出空间中构造连续分布,然后对提出的模型进行半参数化估计,其中对Copula进行参数化估计,而对边际分布进行非参数化估计。论文证明了我们提出的估计量是一个一致无偏估计量,并且我们证明了我们的估计量渐近服从正态分布。此外,论文还对给出了估计量的均方误差的上界。不同领域的实验结果验证了该方法的优越性。