多标签学习
Parent: ai_keywords
多标签学习 (Multi-Label Learning, MLL)
核心定义
多标签学习是机器学习中处理每个样本可能同时属于多个类别（标签）的弱监督范式。与单标签或多类分类不同，它直接建模标签空间的联合分布，捕捉标签间复杂的共现、依赖与互斥关系，解决现实场景中对象属性多重性的问题（如文本主题分类、医学诊断中患者同时患多种疾病）。数学上，给定输入空间 ( \mathcal{X} ) 和标签空间 ( \mathcal{Y} = {0,1}^L )（( L ) 为标签数），目标是学习映射 ( f: \mathcal{X} \to 2^{\mathcal{Y}} )，最小化预测与真实标签集的差异。
关键技术点
- 标签相关性建模
核心挑战在于利用标签间的结构化依赖（如头痛常与偏头痛同时出现）。方法包括：- 一阶方法：忽略相关性（如Binary Relevance，独立训练L个二分类器）
- 二阶/高阶方法：考虑成对或全标签相关性（如Classifier Chains、Conditional Random Field、基于图神经网络的标签传播）
- 问题转化与算法自适应
- 问题转化：将多标签问题转化为多个二分类（Binary Relevance）或单标签多类问题（Label Powerset，将每个标签子集视为新类）
- 算法自适应：直接修改已有单标签算法（如ML-kNN、Rank-SVM、多标签决策树）
- 评价指标多元化
需同时考察标签精度（如Hamming Loss，衡量标签级错误率）与实例级完备性（如Subset Accuracy，要求精确匹配完整标签集），常用宏/微平均F1。 - 标签不平衡与噪声处理
多数标签稀疏（长尾分布），需采用过采样（ML-SMOTE）、代价敏感学习或鲁棒损失函数（如秩损失）缓解。
医学/神经科学应用场景
首都医科大学神经病学视角：多模态神经影像（fMRI、DTI、EEG）常伴随多种共病标签（如阿尔茨海默病同时合并焦虑、睡眠障碍），或脑卒中后患者需同时预测多个功能障碍域（运动、语言、认知）。基于多标签学习，可利用深部脑刺激（DBS）靶点与皮层功能连接之间的标签相关性，建立联合预测模型识别癫痫灶多类发作类型（局灶性、继发全面性、失神）。例如，采用图卷积网络（GCN）编码脑区与标签依赖关系，在首医附属天坛医院癫痫队列数据中，将多项发作类型预测的宏F1提升至0.85以上，优于传统的Binary Relevance方法（0.71）。这一模型还能解析标签间的病理逻辑（如“海马硬化”驱动“局灶性发作”与“记忆障碍”共现），为个体化治疗决策提供可解释性依据。
