目录

第1章绪论

1.1背景及意义

1.2多标签学习研究现状

1.2.1传统多标签学习方法

1.2.2深度多标签学习方法

1.3多标签学习评估标准

1.4多标签学习面临的挑战

1.5本章小结

第2章集成多标签学习相关理论

2.1集成学习相关理论

2.1.1偏差方差分解

2.1.2统计、计算和表示

2.1.3多样性

2.2集成学习研究现状

2.2.1传统集成学习

2.2.2深度集成学习

2.3需要考虑的两个问题

2.4集成多标签学习方法

2.5本书组织结构

第3章基于加权堆叠选择集成的传统多标签学习

3.1引言

3.2问题描述

3.3MLWSE算法设计

3.3.1加权的堆叠集成

3.3.2基于稀疏正则的分类器选择

3.3.3标签依赖关系的建模

3.3.4多标签的预测

3.4MLWSE算法优化

3.4.1MLWSEL1优化

3.4.2MLWSEL21优化

3.5实验结果与分析

3.5.12D仿真实验

3.5.2Benchmark基准实验

3.5.3Realworld数据实验

3.5.4Friedman检验分析

3.5.5参数敏感性分析

3.5.6收敛性分析

3.6本章小结

第4章基于流形子空间集成的不完全多标签学习

4.1引言

4.2问题描述

4.3BDMCEMR算法描述

4.3.1联合的共嵌入学习

4.3.2共享的标签嵌入

4.3.3集成的流形正则嵌入

4.3.4双向矩阵补全

4.4BDMCEMR相关理论分析

4.5BDMCEMR算法优化

4.6实验结果与分析

4.6.12D仿真实验

4.6.2直推式不完全多标签学习

4.6.3归纳式不完全多标签学习

4.6.4Friedman检验分析

4.6.5参数敏感性分析

4.6.6时间复杂度分析

4.7本章小结

第5章基于不同表征网络集成的极端多标签学习

5.1引言 

5.2问题描述

5.3HybridRCNN框架

5.3.1空间语义信息表征

5.3.2时序语义信息表征

5.3.3自适应权重集成预测

5.4改进的MultiVTransformer框架

5.4.1多视图注意力Transformer表征

5.4.2极端多标签聚类学习

5.4.3约简的标签集嵌入学习

5.4.4集成的MultiVTransformer预测

5.5中间量级多标签文本实验分析

5.5.1实验设置

5.5.2CNNRNN集成结构比较

5.5.3注意力机制网络结构比较

5.5.4HybridRCNN消融分析

5.5.5HybridRCNN可视化分析

5.5.6HybridRCNN时间复杂度比较

5.6极端量级多标签文本实验分析

5.6.1实验设置

5.6.2极端多标签实验比较

5.6.3MultiVTransformer集成消融分析

5.6.4MultiVTransformer聚类学习分析

5.7本章小结

第6章基于自蒸馏集成网络的长尾多标签学习

6.1引言

6.2问题描述

6.3监督的OLSD自蒸馏集成框架

6.3.1特征一致性表征学习

6.3.2平衡自蒸馏向导知识迁移

6.3.3倾向尾类多数的Mixup增强

6.3.4相关理论分析

6.4改进的自监督DSSED表征蒸馏集成框架

6.4.1Mixup对比表征学习

6.4.2最大化互信息表征蒸馏

6.4.3logits补偿多标签分类器学习

6.4.4相关理论分析

6.5监督OLSD实验结果与分析

6.5.1实验设置

6.5.2单标签长尾数据实验分析

6.5.3多标签长尾数据实验分析

6.6自监督DSSED实验结果与分析

6.6.1自监督DSSED表征性能实验分析

6.6.2下游Manyshot和Fewshot任务实验分析

6.6.3下游长尾可视化识别任务实验分析

6.6.4下游目标检测及语义分割任务实验分析

6.7本章小结

第7章基于多模态知识集成的开放词多标签学习

7.1引言

7.2问题描述

7.3多模态知识集成的开放词多标签学习框架

7.3.1多标签知识蒸馏

7.3.2多模态原型对比表征蒸馏模块

7.3.3多模态交叉图像结构对比蒸馏模块

7.3.4动态的多标签原型校正

7.4实验结果与分析

7.4.1实验设置

7.4.2与蒸馏方法实验比较

7.4.3与非蒸馏方法实验比较

7.4.4可视化注意力图

7.4.5原型校正可视化分析

7.5本章小结

第8章总结和展望

8.1本书总结

8.2本书展望

参考文献