计算机应用

作者：吴海峰, 陶丽青, 程玉胜

单位：1.安庆师范大学 计算机与信息学院，安徽 安庆 246133；2.智能感知与计算安徽省高校重点实验室（安庆师范大学），安徽 安庆 246133

关键词：偏标签学习,偏标签回归,候选标签,注意力机制,残差连接

基金：安徽省自然科学基金资助项目(2108085MF216);安徽省高校自然科学研究项目(2024AH040175);安徽省高校自然科学研究项目(2024AH051099)

偏标签回归（PLR）弥补了偏标签学习（PLL）仅聚焦于分类任务的局限。针对现有的PLR算法忽略实例特征的特性差异的问题，提出一种集成特征注意力和残差连接的偏标签回归算法（PLR-FARC）。首先，通过标签增强技术将真实数据集的标签扩充为一组实值候选标签；其次，借助注意力机制自动生成每个特征对标签的贡献度；再次，引入残差连接以减少特征在传递过程中的信息丢失，从而维持特征的完整性；最后，分别基于IDent （IDentification method）和PIDent （Progressive IDentification method）计算预测损失。在Abalone、Airfoil、Concrete、Cpu-act、Housing和Power-plant数据集上的实验结果表明，相较于IDent和PIDent，PLR-FARC的平均绝对误差（MAE）分别平均降低了2.15%、38.38%、8.86%、4.19%、15.71%和15.55%，均方误差（MSE）分别平均降低了9.35%、71.32%、23.10%、20.17%、27.22%和9.46%。可见，所提算法是可行且有效的。

来源：2025年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第8期