标记分布集成学习

摘要

标记分布学习是一种新型的学习范式,该文提出了一种适用于标记分布问题形式的Adaboost集成算法,能够有效地提升各种单独算法的预测精度。该文设计了一种新的用于反映排序损失的评价指标SortLoss。该文将Adaboost应用在标记分布学习问题上。实验结果表明,该文设计的Adaboost-LDL集成框架在13个真实数据集上能够显著提升标记分布学习算法的预测精度,该文的方法将排序损失指标SortLoss平均降低至原先的41.2%,KL散度指标平均降低至原先的68.5%。