-
题名集成特征注意力和残差连接的偏标签回归算法
- 1
-
-
作者
吴海峰
陶丽青
程玉胜
-
机构
安庆师范大学计算机与信息学院
智能感知与计算安徽省高校重点实验室(安庆师范大学)
-
出处
《计算机应用》
北大核心
2025年第8期2530-2536,共7页
-
基金
安徽省自然科学基金资助项目(2108085MF216)
安徽省高校自然科学研究项目(2024AH040175,2024AH051099)。
-
文摘
偏标签回归(PLR)弥补了偏标签学习(PLL)仅聚焦于分类任务的局限。针对现有的PLR算法忽略实例特征的特性差异的问题,提出一种集成特征注意力和残差连接的偏标签回归算法(PLR-FARC)。首先,通过标签增强技术将真实数据集的标签扩充为一组实值候选标签;其次,借助注意力机制自动生成每个特征对标签的贡献度;再次,引入残差连接以减少特征在传递过程中的信息丢失,从而维持特征的完整性;最后,分别基于IDent(IDentification method)和PIDent(Progressive IDentification method)计算预测损失。在Abalone、Airfoil、Concrete、Cpu-act、Housing和Power-plant数据集上的实验结果表明,相较于IDent和PIDent,PLR-FARC的平均绝对误差(MAE)分别平均降低了2.15%、38.38%、8.86%、4.19%、15.71%和15.55%,均方误差(MSE)分别平均降低了9.35%、71.32%、23.10%、20.17%、27.22%和9.46%。可见,所提算法是可行且有效的。
-
关键词
偏标签学习
偏标签回归
候选标签
注意力机制
残差连接
-
Keywords
Partial Label Learning(PLL)
Partial Label Regression(PLR)
candidate label
attention mechanism
residual connection
-
分类号
TP311.5
[自动化与计算机技术—计算机软件与理论]
-
