Page 275 - 《软件学报》2026年第2期

754 软件学报 2026 年第 37 卷第 2 期

3. 从 D 中随机采样一个子集 B;
Σ k (1 ⩽ k ⩽ q) (公式 (4));
4. 更新特征协方差矩阵
5. 计算扰动风险最小化问题上界 (公式 (6));
6. 利用梯度下降法更新模型参数 ϕ 和 Θ;
7. end for

输出: 模型参数 ϕ 和 Θ.
3 实 验

3.1 实验设置
数据集: 实验中共使用了 8 个多标记基准数据集, 以进行全面的性能评价. 表 1 展示了各个数据集所具有的多
样化的多标记特性, 包括样例数量、特征维度、标记数量、特征类型、标记势 (即每个样本具有的相关标记数量
均值). 参照文献 [8], 对数据集 rcv-s1 和 tmc2007 进行降维, 根据字典频次保留前 2% 的特征. 数据集 mirflickr 使用
局部描述子 DenseSift 提取的特征.

表 1 多标记基准数据集特性表

数据集 样例数量 特征维度 标记数量 特征类型 标记势 领域
yeast 2 417 103 14 数值型 4.237 生物 1
rcv1-s1 6 000 944 101 数值型 2.880 文本 1
Corel16k-s1 13 766 500 153 类别型 2.859 图像 1
delicious 16 105 500 983 类别型 19.020 文本 1
mirflickr 25 000 1 000 38 数值型 4.716 图像 2
tmc2007 28 596 981 22 类别型 2.158 文本 1
mediamill 43 907 120 101 数值型 4.376 视频 1
bookmarks 87 856 2 150 208 类别型 2.028 文本 1
注: 领域列中, 1的数据集链接为http://mulan.sourceforge.net/datasets.html, 2的数据集链接为http://lear.inrialpes.fr/people/guillau
min/data.php

评价指标: 为全面评价算法的多标记分类性能, 实验中使用了 6 项常用的多标记评价指标, 包括 Average
precision、Macro-averaging AUC、Hamming loss、One-error、Coverage 和 Ranking loss. 评价指标的定义参见文
献 [1].
实现细节: 本文采用与 DELA 方法 [13] 相同的模型结构和优化方法. 具体而言, 嵌入函数 e ϕ 被实现为全连接神
经网络, 隐层维度设为 [256, 512, 256]. 使用 Adam 优化器进行网络参数优化, 批样本大小设为 128、权重衰减因子
设为 1E–4、动量因子设为 0.999 和 0.9.
3.2 对比分析
INVA 方法与 6 个代表性的多标记分类算法进行了性能比较. 实验中, 对比算法使用原始文献中提供的推荐
超参数配置.
[8]
● LIFT : 一个基于原型投影的类属特征变换方法, [r = 0.1].
● LLSF [9] : 一个 LASSO 框架下的类属特征选择方法, 考虑成对标记间的共现关系, [网格超参数搜索:
{ }
−9
α,β ∈ 2 −10 ,2 ,...,2 10 , γ = 0.01].
● C2AE [27] : 一个深度标记嵌入方法, 利用深度典型相关分析 (canonical correlation analysis) 技术和自编码器将
特征和标记嵌入到同一空间中, [超参数搜索: α ∈ {0.1,1,2,5,10}].
● MPVAE [28] : 在概率隐空间中, 利用变分自编码器对齐样例的特征和标记. 同时, 学习协方差矩阵建模标记依
赖关系, [λ 1 = λ 2 = 0.5, λ 3 = 10, β = 1.1].