Image classification is becoming a supporting technology in several image-processing tasks. Due to rich semantic information contained in the images, it is very popular for an image to have several labels or tags. This paper aims to develop a novel multi-label classification approach with superior performance.,Many multi-label classification problems share two main characteristics: label correlations and label imbalance. However, most of current methods are devoted to either model label relationship or to only deal with unbalanced problem with traditional single-label methods. In this paper, multi-label classification problem is regarded as an unbalanced multi-task learning problem. Multi-task least-squares support vector machine (MTLS-SVM) is generalized for this problem, renamed as multi-label LS-SVM (ML2S-SVM).,Experimental results on the emotions, scene, yeast and bibtex data sets indicate that the ML2S-SVM is competitive with respect to the state-of-the-art methods in terms of Hamming loss and instance-based F1 score. The values of resulting parameters largely influence the performance of ML2S-SVM, so it is necessary for users to identify proper parameters in advance.,On the basis of MTLS-SVM, a novel multi-label classification approach, ML2S-SVM, is put forward. This method can overcome the unbalanced problem but also explicitly models arbitrary order correlations among labels by allowing multiple labels to share a subspace. In addition, the multi-label classification approach has a wider range of applications. That is to say, it is not limited to the field of image classification.

中文翻译：

---

ML2S-SVM：多标签最小二乘支持向量机分类器

图像分类正在成为一些图像处理任务的支持技术。由于图像中包含丰富的语义信息，一个图像具有多个标签或标签是非常流行的。本文旨在开发一种性能优越的新型多标签分类方法。许多多标签分类问题具有两个主要特征：标签相关性和标签不平衡。然而，当前的大多数方法都致力于模型标签关系或仅处理传统单标签方法的不平衡问题。在本文中，多标签分类问题被视为一个不平衡的多任务学习问题。多任务最小二乘支持向量机（MTLS-SVM）就是针对这个问题推广的，更名为多标签LS-SVM（ML2S-SVM），在情感、场景、酵母和 bibtex 数据集上的实验结果表明，就汉明损失和基于实例的 F1 分数而言，ML2S-SVM 与最先进的方法相比具有竞争力。得到的参数值在很大程度上影响ML2S-SVM的性能，因此用户需要提前确定合适的参数。,在MTLS-SVM的基础上，提出了一种新的多标签分类方法ML2S-SVM向前。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。酵母和 bibtex 数据集表明，就汉明损失和基于实例的 F1 分数而言，ML2S-SVM 与最先进的方法相比具有竞争力。得到的参数值在很大程度上影响ML2S-SVM的性能，因此用户需要提前确定合适的参数。,在MTLS-SVM的基础上，提出了一种新的多标签分类方法ML2S-SVM向前。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。酵母和 bibtex 数据集表明，就汉明损失和基于实例的 F1 分数而言，ML2S-SVM 与最先进的方法相比具有竞争力。得到的参数值在很大程度上影响ML2S-SVM的性能，因此用户需要提前确定合适的参数。,在MTLS-SVM的基础上，提出了一种新的多标签分类方法ML2S-SVM向前。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。得到的参数值在很大程度上影响ML2S-SVM的性能，因此用户需要提前确定合适的参数。,在MTLS-SVM的基础上，提出了一种新的多标签分类方法ML2S-SVM向前。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。得到的参数值在很大程度上影响ML2S-SVM的性能，因此用户需要提前确定合适的参数。,在MTLS-SVM的基础上，提出了一种新的多标签分类方法ML2S-SVM向前。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。这种方法可以克服不平衡问题，而且还通过允许多个标签共享一个子空间来显式地对标签之间的任意顺序相关性进行建模。此外，多标签分类方法有更广泛的应用。也就是说，不限于图像分类领域。