超球标签嵌入的联合学习用于层次化多标签分类

我们研究的是标签具有层次结构的多标签分类问题。然而，与大多数现有的层次化多标签分类方法不同，我们并不假设标签层次结构是已知的。受近年来双曲嵌入在捕捉层次关系方面取得成功的启发，我们提出一种联合学习方法，同时学习分类器参数与标签嵌入。这种联合学习预期带来双重优势：其一，分类器能够获得更好的泛化性能，因为它利用了标签之间存在层次结构的先验知识；其二，除了标签共现信息外，标签嵌入还能受益于输入数据点的流形结构，从而生成更忠实于真实标签层次关系的嵌入表示。我们提出了一种新颖的联合学习框架，并通过实验验证了其有效性。实验结果表明，相较于采用基于标签共现预训练的双曲嵌入的基线方法，所提出的联合学习策略显著提升了性能。此外，所提出的分类器在标准基准测试中达到了当前最优的泛化能力。我们还对联合学习所获得的双曲嵌入进行了评估，结果表明其对层次结构的表征精度优于其他对比方法。