Fuzzy rough set is a theoretical framework of fuzzy uncertainty management, and discernibility matrix offers a mathematical foundation for algorithm construction of feature learning. The approaches of fuzzy rough set and discernibility matrix have been successfully applied in single-label learning. However, few works have been done on investigating the foundation of fuzzy rough discernibility matrix on multi-label data. There will be two pivotal problems to be addressed when using fuzzy rough discernibility matrix for multi-label data analysis. One is how to extract sample-level and label-level correlations; and the other is how to utilize the discernibility matrix for algorithm construction. For this reason, in this paper the fuzzy rough discrimination matrix is introduced to deal with the problem of multi-label feature selection. First, the significance of labels in the label space is captured based on the label correlation. Labels with different significances contribute to different weights for measuring the similarity between samples. Hence, a sample similarity matrix in the label space is computed based on the label weighting strategy. Then, a framework of a fuzzy decision system is formalized, in which the discernibility matrix of fuzzy rough sets is introduced as a foundation to evaluate the sample discrimination ability of features. Under the discernibility matrix criterion, a multi-label learning algorithm is developed to select discriminative features from multi-label data. A series of experimental analysis verifies the effectiveness and efficiency of the proposed method.

模糊粗糙集是模糊不确定性管理的理论框架，可辨别矩阵为特征学习的算法构建提供了数学基础。模糊粗糙集和辨别矩阵的方法已成功应用于单标签学习。然而，在多标签数据上研究模糊粗略辨别矩阵的基础方面的工作很少。使用模糊粗识别矩阵进行多标签数据分析时，将有两个关键问题需要解决。一是如何提取样本级和标签级的相关性；另一个是如何利用可辨别矩阵进行算法构建。为此，本文引入模糊粗略判别矩阵来处理多标签特征选择问题。第一的，基于标签相关性来捕获标签空间中标签的重要性。具有不同重要性的标签有助于衡量样本之间的相似性的不同权重。因此，基于标签加权策略计算标签空间中的样本相似度矩阵。然后，形式化了模糊决策系统的框架，其中引入了模糊粗糙集的辨别矩阵作为评估特征样本辨别能力的基础。在区分矩阵准则下，开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列实验分析验证了所提出方法的有效性和效率。具有不同重要性的标签有助于衡量样本之间的相似性的不同权重。因此，基于标签加权策略计算标签空间中的样本相似度矩阵。然后，形式化了模糊决策系统的框架，其中引入了模糊粗糙集的辨别矩阵作为评估特征样本辨别能力的基础。在区分矩阵准则下，开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列实验分析验证了所提出方法的有效性和效率。具有不同重要性的标签有助于衡量样本之间的相似性的不同权重。因此，基于标签加权策略计算标签空间中的样本相似度矩阵。然后，形式化了模糊决策系统的框架，其中引入了模糊粗糙集的辨别矩阵作为评估特征样本辨别能力的基础。在区分矩阵准则下，开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列实验分析验证了所提出方法的有效性和效率。基于标签加权策略计算标签空间中的样本相似度矩阵。然后，形式化了模糊决策系统的框架，其中引入了模糊粗糙集的辨别矩阵作为评估特征样本辨别能力的基础。在区分矩阵准则下，开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列实验分析验证了所提出方法的有效性和效率。基于标签加权策略计算标签空间中的样本相似度矩阵。然后，形式化了模糊决策系统的框架，其中引入了模糊粗糙集的辨别矩阵作为评估特征样本辨别能力的基础。在区分矩阵准则下，开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列的实验分析验证了所提出方法的有效性和效率。开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列实验分析验证了所提出方法的有效性和效率。开发了一种多标签学习算法来从多标签数据中选择判别特征。一系列实验分析验证了所提出方法的有效性和效率。