In order to reduce the curse of dim

In order to reduce the curse of dimensionality, features selection and extraction methods are very
common in single label data. The wrapper based features selection [27] methods are equally appli-
cable for multi-label data with a modified goal of reducing any multi-label loss function (see section 7). An alternative could be to transform multi-label data into single label data (e.g. BR) and then apply features selection to evaluate the discriminative power of each feature with respect to each label. Any unsupervised method for dimensionality reduction such as, Principal Components Analysis (PCA) and Latent Semantic Indexing (LSI) can also be used with multi-label data without any
modification. However, Yu et. al argue that even though such unsupervised algorithms can be used
directly, if the relevant class label information is available, then taking that into account while deriving the objective function should be beneficial [64]. Based on this idea, they propose a Multi-label Informed Latent Semantic Indexing (MLSI) that preserves the feature information as well as captures the label correlations, while posing the LSI problem as an optimization problem.

Kết quả (Việt) 1:

Để giảm bớt những lời nguyền của chiều, tính năng lựa chọn và khai thác phương pháp rấtphổ biến ở nhãn duy nhất dữ liệu. Phương pháp lựa chọn [27] tính năng bao bọc dựa là bình đẳng với öùng-cáp cho nhiều nhãn dữ liệu với một mục tiêu lần giảm bất kỳ chức năng đa nhãn mất (xem phần 7). Một thay thế có thể để chuyển dữ liệu nhiều nhãn vào dữ liệu nhãn duy nhất (ví dụ: BR) và sau đó áp dụng tính năng lựa chọn để đánh giá sức mạnh discriminative của mỗi tính năng đối với mỗi nhãn hiệu. Bất kỳ unsupervised phương pháp để giảm chiều như, phân tích thành phần chính (PCA) và Latent Semantic Indexing (LSI) cũng có thể được sử dụng với nhiều nhãn dữ liệu mà không có bất kỳSửa đổi. Tuy nhiên, Yu et. Al cho rằng ngay cả khi các thuật toán không có giám sát có thể được sử dụngtrực tiếp, nếu thông tin nhãn lớp có liên quan có sẵn, sau đó lấy đó vào tài khoản trong khi bắt nguồn hàm mục tiêu nên là mang lại lợi ích [64]. Dựa trên ý tưởng này, họ đề xuất một đa nhãn thông báo tiềm ẩn ngữ nghĩa chỉ mục (MLSI) mà bảo tồn các tính năng thông tin cũng như bắt nhãn mối tương quan, trong khi đặt ra vấn đề LSI như là một vấn đề tối ưu hóa.

Kết quả (Việt) 2:

Để giảm bớt sự nguyền rủa của chiều, có tính năng lựa chọn và phương pháp khai thác là rất
phổ biến trong các dữ liệu nhãn hiệu duy nhất. Các wrapper dựa tính năng lựa chọn [27] phương pháp là như nhau dụng nào
cáp cho dữ liệu đa nhãn với một mục tiêu sửa đổi của bất kỳ chức năng giảm tổn thất đa nhãn (xem phần 7). Một thay thế có thể là biến đổi dữ liệu đa nhãn vào dữ liệu nhãn hiệu duy nhất (ví dụ như BR) và sau đó áp dụng tính năng lựa chọn để đánh giá sức mạnh của mỗi tính năng phân biệt đối với mỗi nhãn với. Bất kỳ phương pháp không được giám sát để giảm chiều như, Hiệu trưởng Components Analysis (PCA) và chỉ mục ngữ nghĩa tiềm ẩn (LSI) cũng có thể được sử dụng với dữ liệu đa nhãn mà không cần bất kỳ
sự sửa đổi. Tuy nhiên, Yu et. al cho rằng mặc dù các thuật toán không được giám sát như vậy có thể được sử dụng
trực tiếp, nếu thông tin nhãn lớp liên quan có sẵn, sau đó tham gia vào tài khoản khi phát sinh các hàm mục tiêu nên có lợi [64]. Dựa trên ý tưởng này, họ đề xuất một Multi-label Thông báo Latent Semantic Indexing (MLSI) giữ gìn thông tin tính năng cũng như nắm bắt các mối tương quan nhãn, khi đặt vấn đề LSI là một vấn đề tối ưu hóa.