다중라벨 분류를 위한 가변 쌍별 제약 투영 기반 앙상블

초록

본 논문은 다중라벨 데이터의 라벨 간 상관관계를 반영한 가변 쌍별 제약을 도입하고, 이를 이용해 저차원 표현을 학습한 뒤 부스팅‑유사 전략으로 다수의 베이스 분류기를 다양화하여 최종 앙상블을 구성하는 VPCME 프레임워크를 제안한다. 실험 결과, 기존 다중라벨 방법들에 비해 정확도와 F1 점수에서 우수함을 입증한다.

상세 분석

VPCME는 두 가지 핵심 아이디어를 결합한다. 첫 번째는 “가변 쌍별 제약”(Variable Pairwise Constraints)이다. 전통적인 단일라벨 문제에서는 동일 라벨을 가진 샘플 쌍에 must‑link, 다른 라벨을 가진 쌍에 cannot‑link 제약을 고정적으로 부여한다. 그러나 다중라벨 상황에서는 한 샘플이 여러 라벨을 가질 수 있어 이러한 고정 제약은 제약 비율의 불균형을 초래하고, 라벨 간 미묘한 유사성을 반영하지 못한다. 저자들은 라벨 집합의 교집합 비율이 사전에 정의된 임계값 Θ 이상이면 must‑link, 이하이면 cannot‑link으로 정의함으로써 제약을 “가변”하게 만든다. 이 방식은 라벨 집합이 부분적으로 겹치는 경우에도 적절히 제약을 부여해 라벨 상관구조를 정량적으로 포착한다.

두 번째는 “가변 쌍별 제약 투영”(Variable Pairwise Constraint Projection)이다. 정의된 must‑link 집합 M과 cannot‑link 집합 C를 각각 스캐터 행렬 S_M, S_C 로 구성하고, 목표 함수 J(W)=Tr