Page 279 - 《软件学报》2026年第2期

758 软件学报 2026 年第 37 卷第 2 期

3.5 时间复杂度分析

令 b 表示学习过程中每次优化迭代的训练样本子集 B 的大小, d ˆ 表示网络隐层维度的代理, INVA 方法的时间
( )
ˆ 2
复杂度为 O bqd . 图 2 展示了第 3.2 节中各个对比方法在训练和测试阶段的实际运行时间. 在时间开销方面,
INVA 方法与已有方法可比.

4 LIFT
训练时间-对数规模 (s) 3 2 C2AE
LLSF
MPVAE
CLIF
DELA
INVA

0 1
yeast rcv1-s1 Core16k-s1 delicious mirflickr tmc2007 mediamill bookmarks
(a) 训练时间
5 4
测试时间-对数规模 (ms) 3 2

0 1
yeast rcv1-s1 Core16k-s1 delicious mirflickr tmc2007 mediamill bookmarks
(b) 测试时间
图 2 INVA 方法和对比方法的训练/测试阶段运行时间比较

4 总 结

本文提出了一种基于不变性注入的多标记类属特征学习方法 INVA. 该方法通过操纵标记判别的无关特征,
为分类模型注入关于无关特征的不变性, 从而充分地兼顾各个标记潜在不同的判别偏好. 实现中, INVA 方法通过
估计特征协方差矩阵捕获各个标记的类内特征变化, 从而辨识标记判别的无关特征; 通过构造扰动风险最小化问
题并推导问题上界, 从而高效地赋予分类模型关于无关特征变化的不变性. 在特性多样化的多标记基准数据集上,
与多种已有的多标记分类方法进行了全面的对比分析, 验证了本文所提的 INVA 方法在解决多标记分类问题上的
有效性.

References
[1] Zhang ML, Zhou ZH. A review on multi-label learning algorithms. IEEE Trans. on Knowledge and Data Engineering, 2014, 26(8):
1819–1837. [doi: 10.1109/TKDE.2013.39]
[2] Liu WW, Shen XB, Wang HB, Tsang IW. The emerging trends of multi-label learning. IEEE Trans. on Pattern Analysis and Machine
Intelligence, 2022, 44(11): 7955–7974. [doi: 10.1109/TPAMI.2021.3119334]
[3] Zong DM, Sun SL. BGNN-XML: Bilateral graph neural networks for extreme multi-label text classification. IEEE Trans. on Knowledge
and Data Engineering, 2023, 35(7): 6698–6709. [doi: 10.1109/TKDE.2022.3193657]
[4] Kerrigan A, Duarte K, Rawat YS, Shah M. Reformulating zero-shot action recognition for multi-label actions. 2021. https://papers.nips.cc/