Relaxations semi-définies et spectrales pour la classification multi-labels.

Résumé Dans cet article, nous abordons le problème de la classification multi-labels. Nous considérons des classifieurs linéaires et proposons d'apprendre un antécédent sur l'espace des étiquettes afin d'améliorer directement les performances de ces méthodes. Cet antécédent prend la forme d'une fonction quadratique des étiquettes et permet d'encoder les relations attractives et répulsives entre les étiquettes. Nous présentons ce problème comme un problème de prédiction structurée visant à optimiser soit la précision des prédicteurs, soit le score F 1. Cela conduit à un problème d'optimisation étroitement lié au problème de coupe maximale, qui conduit naturellement à des relaxations semi-définies et spectrales. Nous montrons sur des ensembles de données standard comment une telle antériorité générale peut améliorer les performances des techniques multi-labels.