based approaches assumes that there

based approaches assumes that there exist a common subspace that is shared among the class labels. Therefore, any algorithm that intend to extract the
shared subspace and the decision function is learnt on that subspace not only reduce the informa-
tion redundancy but also is able to take into account the label correlations. Yan et. al. propose
a boosting algorithm called Model-shared Subspace Boosting (MSSBoost) [62]. This method uses
random subspace sampling to select feature subspace to work on and then, model sharing techniques
to automatically find, share and combine a number of random subspaces, and finally boosting based
ensemble learning to jointly optimize the loss function over all labels. A much simpler method for
the same purpose is proposed in [25] that uses a linear transformation method to capture the shared
subspace and finally uses a binary classifier train on this shared subspace.

Kết quả (Việt) 1:

phương pháp tiếp cận dựa trên giả định rằng có tồn tại một con phổ biến được chia sẻ giữa các nhãn lớp. Vì vậy, bất kỳ thuật toán mà dự định trích xuất cáccon được chia sẻ và các chức năng quyết định là học được trên con đó không chỉ làm giảm informa -tion dự phòng, nhưng cũng có thể đưa vào tài khoản các mối tương quan nhãn. Yan et. Al. đề xuấtmột thuật toán thúc đẩy được gọi là chia sẻ mô hình động thúc đẩy (MSSBoost) [62]. Phương pháp này sử dụngLấy mẫu ngẫu nhiên động để chọn tính năng động để làm việc trên và sau đó, mô hình chia sẻ kỹ thuậtđể tự động tìm, chia sẻ và kết hợp một số ngẫu nhiên subspaces, và cuối cùng thúc đẩy dựatoàn bộ học tập để cùng nhau tối ưu hóa chức năng mất trên tất cả nhãn. Một phương pháp đơn giản hơn nhiều nhấtcùng một mục đích được đề xuất trong [25] mà sử dụng một tuyến tính phương pháp chuyển đổi để nắm bắt các chia sẻđộng và cuối cùng là sử dụng một nhị phân loại đào tạo ngày này con được chia sẻ.

Kết quả (Việt) 2:

phương pháp tiếp cận dựa trên giả định rằng có tồn tại một không gian con phổ biến mà được chia sẻ giữa các nhãn lớp. Vì vậy, bất kỳ thuật toán mà có ý định để trích xuất các
không gian con được chia sẻ và các chức năng quyết định được học về mà không gian con không chỉ làm giảm informa-
tion dư thừa nhưng cũng có thể đưa vào tài khoản các mối tương quan nhãn. Yan et. al. đề xuất
một thuật toán được gọi là không gian con thúc đẩy Model-chia sẻ Boosting (MSSBoost) [62]. Phương pháp này sử dụng
lấy mẫu không gian con ngẫu nhiên để chọn tính năng không gian con để làm việc và sau đó, chia sẻ các kỹ thuật mô hình
để tự động tìm kiếm, chia sẻ và kết hợp một số subspaces ngẫu nhiên, và cuối cùng là thúc đẩy dựa trên
bộ quần áo đồng học tập để cùng nhau tối ưu hóa hàm tổn thất trên tất cả các nhãn. Một phương pháp đơn giản hơn nhiều cho
các mục đích tương tự được đề xuất trong [25] sử dụng một phương pháp biến đổi tuyến tính để nắm bắt những chia sẻ
không gian con và cuối cùng sử dụng một tàu phân loại nhị phân trên không gian con này chia sẻ.